Buenos días, un día más, un lunes más a Hoy tenemos otra sesión del Primavera Tech. En concreto hoy hemos invitado a Carlos Badenes, que ya participó en el OtoñoTech, por lo cual es un viejo conocido de algunos de vosotros, seguro. Bueno, Carlos es profesor en la Escuela de Sistemas Informáticos y aparte de estar en un grupo de innovación educativa donde son muy activos en todos estos usos de la IA, pues creo que en sus temas de investigación y demás, pues también. Con lo cual, pues bueno, mi aspecto venía tanto en la parte académica como en la parte de investigación. Nada, Carlos, gracias por aceptar una vez más nuestra invitación, que bueno... Esto cambia tan rápido que seguro que lo que nos contaste hace unos meses hasta ahora, pues hay poco solape. De todas maneras, siempre hay personas nuevas que se apuntan a estos puzzles, con lo cual, pues seguro que no nos viene bien. No me entretengo más en la presentación. Lo he dicho, agradecerte. Creo que has comentado que no tienes inconveniente en que haya interrupciones sobre la marcha, pero si quieres ahora lo comentas tú un poco más despacio, como quieres que sea la dinámica de la clase. Pues nada, adelante. Yo os informo que voy a tener que salir 15 minutitos, con lo cual quitaré la cámara, pero voy a intentar estar todo lo que pueda porque es un tema que me interesa particularmente. Así que nada, adelante Carlos, todo tuyo. Muchas gracias Fernando y muchas gracias Jessica y Sonia por organizar esto y por invitarme. Soy un profesor de permanente laboral aquí en el Campus Sur, en la CISI, y como ha comentado Fernando, es decir, participo tanto en un grupo de investigación en lo que desarrollamos o avanzamos en técnicas del lenguaje y representación del conocimiento, como en el grupo de innovación educativa Lincedu, que es de reciente creación, está fresquito, es de este año, y que mezclamos gente, profesores y profesoras del departamento de sistemas informáticos, del de inteligencia artificial, de lingüística aplicada, de lenguajes y sistemas informáticos, incluso de topografía, en definitiva. Lo que nos ha unido ha sido que investigamos en técnicas de lenguaje, en inteligencia artificial aplicada al lenguaje natural, a la formalización del conocimiento y ahora lo estamos también moviendo a esta parte de la educación, la parte de la innovación educativa guiada a través de la inteligencia artificial. Entonces, bueno, como ha comentado Fernando, es verdad que Es una sesión de dos horas, pero me gustaría que fuera muy dinámica, muy activa. Es decir, voy a presentaros un poco primero la motivación, el problema, por qué consideramos que estas técnicas o esta propuesta de autoevaluación basada en inteligencia artificial puede ser interesante tanto para los alumnos como para el profesorado. Luego iré al detalle de lo que es el método que proponemos, el LESPRE, y es verdad que se deja un tiempo ahí para preguntas, dudas, pero a mí me encantaría que según vaya yo comentando cosas, si alguien tiene alguna duda, algún comentario que quiera hacer, pues encantado, levanta la mano, os damos paso y formuláis la pregunta, porque creo que así es mucho más dinámico. Luego el segundo gran bloque que tiene esta presentación es, vale, pues Una vez ya lo hemos propuesto, hemos descrito este método que proponemos, ¿cómo lo podríamos llevar a cabo? Entonces, describimos un poco cómo se podría llevar a cabo en distintos niveles y hacemos una pequeña demo de, vale, pues para jugar un poco en mi asignatura a corto plazo, solamente como para tener una idea... Si se podría aplicar o no, vale, pues vamos a ver cómo se podría llevar a cabo y hacer una demo real. Igual, finalizaríamos con una discusión final que espero que sea muy enriquecedora y muy constructiva porque es verdad que hay temas aquí súper interesantes, pero que pueden generar algo de debate. Bueno, pues sin más dilación, ¿por qué arrancamos con esta charla ahora mismo? Es una obviedad que la inteligencia artificial ya está en las aulas. Los alumnos la incorporan, los profesores también la incorporamos. No es nuevo, vamos, en mis asignaturas me ha tocado responder varias veces a, profe, pero lo que tú estás diciendo aquí, el chat GPT me está diciendo lo contrario. Fantástico. Fantástico y maravilloso. Entonces, me toca ahora rebatir a ChatGPT, que pasa a ser un ente que genera mucho más confianza casi al alumnado que el que puede dar el profesor. Bueno, en definitiva, es un elemento, la inteligencia artificial generativa en concreto, inteligencia artificial es muy amplia, que se incorpora en todos estos procesos educativos y creo que como profesorado nuestra responsabilidad es la de formar al estudiantado en los riesgos que entraña el uso de esta herramienta, los beneficios que también tiene, es decir, esta charla está muy lejos de demonizar la IA sino al revés, es una forma de describir sus virtudes e incorporarla y sobre todo el hecho de incorporarla no solamente como un recurso sino como parte de un proceso y eso es lo que queremos un poco hacer hincapié en esta charla, el que la forma, las dinámicas quizás debamos cambiarlas, ¿de acuerdo? Para beneficiarnos todos de este gran avance que es la inteligencia artificial. Entonces, realmente el enfoque es, bueno, ahora mismo tenemos innovación educativa con IA, es decir, y dentro de esta innovación educativa con IA consideramos que hay dos grandes ramas. Está la innovación asistida por inteligencia artificial, es decir, mantenemos los procesos educativos como hasta ahora, Pero lo que hacemos es incorporar puntualmente en nuestras tareas, no en el proceso, la inteligencia artificial. El profesor en un momento dado puede considerar que vale, fantástico, pues para hacerme yo un resumen de la próxima sesión que voy a presentar en clase voy a utilizar esta inteligencia artificial que me va a hacer un resumen fantástico o me va a hacer un diagrama fabuloso y lo presento. El alumno, cuando recibe los apuntos, dice, yo no me voy a leer esto, lo que voy a hacer es utilizar inteligencia artificial para que me sintetice o me haga un podcast, como hay otra serie de recursos, etc. Entonces, al final, los procesos, es decir, las comunicaciones profesor-alumno y las dinámicas en clase siguen siendo las mismas o clásicas. Pero la IA viene detrás, es decir, ni siquiera la IA que utiliza el profesor va a ser la misma que la del alumno y el objetivo de este tipo de innovación es más mejorar la eficiencia, es decir, el tiempo del profesor pasa a ser mucho más rentable. ¿Por qué? Porque la potencia que te da la IA es por 10 y lo que yo tardaría 10 días en desarrollar un diagrama o prepararme la siguiente sesión, ahora lo he podido hacer en una. Luego también la personalización y la escalabilidad, es decir, bueno, pues si soy capaz de preparar un cuestionario en solamente una mañana, pues con la IA genero 10 variaciones, pues ya tengo cuestionarios para todo el curso y los exámenes ordinarios y excepcionales, finales. Este es un tipo de enfoque en el que nosotros como grupo de innovación educativa no nos centramos. Nuestro enfoque va más en la innovación basada en IA. Aquí lo que proponemos es de qué forma ese proceso educativo, ese proceso en el que en algunos casos parte del profesorado llega al estudiantado, vuelve al profesorado, podemos incorporar la inteligencia artificial de forma que ambas partes la controlen y se beneficien de ella. Es decir, aquí donde tenemos el foco es en el diseño pedagógico, no tanto en el recurso. De hecho, vais a ver que toda esta primera mitad de la charla no voy a hablar de ninguna tecnología concreta, de ella como mucho las técnicas y en particular la técnica de inteligencia artificial generativa. Pero no voy a hablar de recursos concretos que se tengan que utilizar, eso ya irá en la segunda parte y sobre todo esos estarán abiertos a que cualquiera de vosotros considere, decida cuál va a incorporar para aplicar esta técnica o este enfoque pedagógico en el que sí que se incorpora la inteligencia artificial. Entonces, aquí en definitiva lo que queremos hacer hincapié es que asumimos con naturalidad que la IA va a formar parte del proceso de aprendizaje y lo que queremos es un poco establecer un orden, un control sobre de qué forma esa IA puede darnos beneficios y no generarnos problemas, problemas tanto a al lado del profesor como al lado del estudiante. Es verdad que esta charla también la di en el UPM Conecta, una semana que hacemos allí en el Campus Sur, donde proponemos charlas y los alumnos asisten, deciden apuntarse y asisten, y propusimos esta charla y tuvo bastante buena aceptación, se llenó el cupo, y los alumnos aceptaron bien la propuesta que teníamos del uso de la inteligencia artificial. Todo realmente surge, bueno, pues con toda esta investigación que estamos haciendo en IA Generativa y las capacidades que ofrece que realmente deslumbran y entonces leyendo un libro de José Ignacio Latorre, el investigador físico, bueno, todo el mundo lo conocéis, el libro de ética para máquinas, pues me marcó, me marcó especialmente porque Hacía un recorrido sobre la inteligencia artificial desde sus inicios y decía, bueno, cuando la inteligencia artificial apareció siempre fue para resolver o cubrir una debilidad que tenía el humano y potenciarla. Tenemos la inteligencia artificial o las máquinas, dicho de otro modo. que aparecieron en la industria en la fábrica y entonces lo que le ofreció a la humanidad fue más fuerza más potencia ya donde antes construíamos o preparábamos a X velocidad ciertos materiales ahora ya podríamos construirlo más rápido y más fuerte ya no teníamos que nosotros movernos por el campo arando sino que podíamos tirar de tractores de máquinas que lo fueran haciendo entonces iba haciendo un recorrido luego como fue evolucionando la inteligencia artificial hasta que claro aparece ahora Esta IA generativa que muestra una capacidad que ya no solamente potencia o puede agilizar nuestras habilidades, sino que literalmente puede ocultarlas. Es decir, podría llegarse a dar el caso... De que igual que cuando las máquinas aparecieron para eliminarnos o reducirnos el esfuerzo físico en el trabajo y nosotros artificialmente nos creamos gimnasios y demás actividades para potenciarlo, pues en un futuro donde la IA nos reduzca esa capacidad de decisión, ese pensamiento crítico, a lo mejor nos tenemos que inventar salas o cursos, no sé cómo llamarlos, donde, bueno... Pues voy de lunes a miércoles a pensar, a tomar decisiones, pero eso sí, en un entorno controlado con varios amigos allí, una o dos horas, porque luego realmente en el trabajo pocas decisiones tomo, las toma la IA por mí. Entonces, es un poco el entender que la inteligencia artificial, el momento en el que tú la estás utilizando, puede desentrañar unos riesgos, que no hay que demonizarla, pero sí que hay que entenderlos. Es como cuando me preguntan... En el colegio con mis hijos, bueno, ¿y los niños con 9, 10 años? ¿Sería bueno que utilizasen la IA? Y digo, bueno, pues es como conducir. Todo el mundo vemos coches, los coches están a la orden del día, pero los niños no utilizan coches. Es decir, se requiere una madurez y hasta los 18 no te puedes sacar el carnet de conducir. pues es que a lo mejor hay determinadas tareas de inteligencia artificial que requieren de una madurez intelectual que hacen que si te acercas a ellos demasiado pronto, pues pueda generar unos daños, ¿de acuerdo? Entonces, bueno, pues en definitiva, contextualizar que esta charla viene precisamente de estos riesgos y que tenemos que entender esos riesgos en nuestro ámbito, en el ámbito académico, que puede derivar. Entonces, en concreto, nos vamos a centrar en la parte del aprendizaje. Nosotros entendemos el aprendizaje, como ya lo describió perfectamente Bloom con su taxonomía, como un proceso en el que vamos a evolucionar en seis niveles, en seis etapas. Primero, la más básica, de más básica a más compleja. Digamos que si alcanzamos el último nivel, el dominio que tenemos del área de conocimiento es mucho mayor. Entonces imaginad que arrancamos con el primer nivel, el nivel de recordar. Aquí el enfoque es, bueno, pues voy a alcanzar o dominar este nivel si soy capaz de recordar ciertos eventos, información factual, hechos, ciertas fechas, lugares, nombres, en definitiva, desarrollar mi memoria. Es decir, para ese área de conocimiento concreta, lo que se fomenta es el hecho de que yo memorice situaciones o posiciones concretas. El conocimiento ya está ahí, yo lo tengo que interiorizar desde el punto de vista memorístico. Este es el primer paso, que es el paso de recordar. Luego, si queremos evolucionar más en nuestro aprendizaje, ya saltaríamos al nivel de comprender. Amigo, Ya lo has memorizado, ya has leído qué significa ciertos conceptos, eres capaz de explicarlo tú con tus propias palabras, es decir, eres capaz de hacer lo tuyo, ese ya sería un nivel un poco más avanzado, más complejo y el siguiente ya saltaríamos al aplicar, ¿vale? Muy bien. memorizas, sabes los pasos que tiene que seguir tal proceso, eres capaz de explicarlo con tus propias palabras, podrías aplicarlo a un escenario diferente al que has leído cuando adquiriste ese conocimiento inicial, es decir, puedes resolver un problema concreto aplicando ese conocimiento que has comprendido, que has recordado, ya estaríamos en ese tercer nivel, que es el nivel de aplicar, y con él pasaríamos al cuarto, el de analizar. Es decir, aquí ya tenemos que desarrollar nuestro pensamiento crítico. ¿Somos capaces de establecer comparaciones? Por ejemplo, para ese mismo problema que hemos resuelto de una forma, podemos aplicar una segunda solución y compararlas entre ellas, decidir cuál es mejor y cuál es peor, qué dimensiones hacen que sea mejor y cuáles sean peor... Esa es una fase ya más evolucionada de conocimiento y estamos ya en el cuarto nivel, que es el nivel de análisis. Y luego ya vamos al de evaluar. Es decir, con todas estas soluciones que las has comparado, que las has analizado, ¿eres tú capaz de decidir si es correcto o no es correcto? Es decir, si hay escenarios en los que el uso del conocimiento que tú tienes no aplica, O sí que aplica. ¿Cómo debería cambiar el escenario para que aplicase tu conocimiento? Es decir, ahí ya requiere un conocimiento además más transversal, porque ya no tiene que ver tanto ese conocimiento empírico o concreto de tu dominio, sino como el de otros escenarios. Y por último, creativa. Es decir, bueno, pues si ya eres capaz de criticar, evaluar, analizar... créame una variedad o una extensión de este conocimiento es lo que podría ser casi en investigación como avanzar en el estado del arte es decir has creado nuevo conocimiento has propuesto una evolución sobre un conocimiento previo aquí lo que quiero contextualizar es ¿Por qué os estoy hablando de los procesos o la taxonomía de Bloom? Porque queremos, enlazando ahora un poco todo lo que os acabo de contextualizar, queremos incorporar la IA en procesos de aprendizaje, teniendo en cuenta que el aprendizaje para nosotros es una evolución de estas seis etapas marcadas por Bloom y en todo este proceso consideramos que la IA nos va a aportar valor. Nos va a aportar valor como elemento, no solo como un recurso externo, sino como elemento activo que va a participar de todo este proceso. Entonces, no sé si tenéis alguna duda en esta primera contextualización del problema, que ha ido quizá algo rápido, porque con esto ya tendríamos contextualizada o motivada la charla. No sé si tenéis alguna duda, algún comentario que queráis hacer o pasamos directamente a ver el método que proponemos. [Orador 5]: No he visto nada por el chat, Carlos, y por mí perfecto, ¿eh? Así que si quieres vamos al método. Yo te voy avisando si hay algo. Mira, dicen que todo bien. [Orador 4]: Ah, todo bien. Pues venga, pues entonces continuamos. Muchas gracias, Jessica. Vale, pues entonces, vamos entonces. Ya tenemos vista la motivación. Claro, viene la guía. Ahora a ver cómo la incorporamos. Y hemos entendido ese proceso pedagógico como un proceso concreto de aprendizaje que nos vamos a basar en esas seis etapas marcadas por la taxonomía de Bloom. ¿Qué es entonces el método LESPRE que proponemos? Vale, pues el método LESPRE es sencillamente considerar que la IA va a formar parte del proceso en aquellos puntos en los que el estudiante no tenga que desarrollar una capacidad ni una competencia. ¿De acuerdo? Ese es el criterio, digamos, universal que nos guía a la hora de incorporar la IA en cualquier proceso. Es decir, puede que en un proceso la IA haga una cosa y puede que en otro proceso haga otra. Lo que va a depender Es de, si en ese proceso la IA está suplantando una habilidad que consideramos que el alumno debería desarrollar, entonces mal. Eso es un uso... en nuestro juicio, incorrecto de la IA. Si, sin embargo, la IA aborda una tarea para la que el alumno no debería desarrollar una habilidad, perfecto. ¿El método Lespre? Pues el método Lespre es muy sencillito, lo que parte son de cinco etapas y esos nombres vienen de precisamente las cinco fases. El proceso educativo que va a seguir el alumno para ir avanzando sobre esos seis niveles va a ser iterativo. Consideramos que inicialmente el alumno debería leer Leer unos apuntes, leer un artículo, leer un artículo científico, leer un artículo de revista, leer. Necesita leer. Y una vez que ha leído, ha adquirido esa primera fase, salta a una segunda fase que es la de selección. Esta es la típica fase de síntesis. Todos, cuando hemos sido estudiantes, una vez que tenemos los apuntes, lo siguiente que hacemos que es subrayar, marcar aquello que consideramos que es importante. Esta es una fase crítica en el alumno y, por tanto, la tiene que desarrollar él. Es decir, tanto la fase de lectura como esta fase de síntesis o de selección, es una habilidad que el alumno debe desarrollar y que si la hace mal, con más de una iteración, debería ir refinándola, ¿de acuerdo? Luego hasta aquí, todo sigue siendo manual, el alumno... recibe unos apuntes o adquiere o accede a unos apuntes para los que realice una lectura inicial y luego una selección, una selección de aquello que considera él o ella importante. A continuación ya entramos en la parte en la que la IA sí que nos va a apoyar. Y es en la fase de pregunta. Es decir, el alumno ya ha leído, ha sintetizado y ahora lo que quiere es, bueno, no sé si ha adquirido bien el conocimiento. Y aquí es donde también entran a jugar esos seis niveles de la taxonomía de Bloom. Aquí queremos incorporar la inteligencia artificial para que formule preguntas De acuerdo al criterio marcado por el profesor, luego no es una IA externa, no es una IA recurso externo, sino que es una IA creada, personalizada, adaptada, ajustada por el profesor para que formule preguntas y aquí el matiz también está en que queremos jugar con los seis niveles. Es decir, queremos que haya una IA que sea capaz de formular preguntas factuales y que, por tanto, se centre en ese primer nivel, el de recordar, Luego que haga preguntas conceptuales y que por tanto salte al segundo nivel, al conceptual, analíticas, evaluación, creativas, etc. Y que por tanto cubra esos seis aspectos que vimos antes que consideramos necesarios para que el alumno adquiera un conocimiento. El alumno va a recibir unas preguntas, únicamente unas preguntas. Aquí, de hecho, el profesor puede decidir qué tipo o estilo de preguntas. Pues son preguntas con enunciados extensos, son preguntas muy concretas, son preguntas de múltiples respuestas, pero de una sola válida o de respuesta abierta. En definitiva, ahí no entramos. Lo que sí que consideramos, y es lo que vamos a detallar a continuación, es cómo el profesor puede controlar esa generación de preguntas para que al alumno le sean productivas, enriquecedoras. Vale, pasamos entonces, una vez que ya tenemos esa fase 3 de preguntas, a la fase 4, responder. El alumno ya tiene ese banco de preguntas, porque claro, él ha ido pasando esos textos que ha ido seleccionando a esas inteligencias artificiales preparadas por el profesor para obtener una serie de preguntas. Las guarda, tiene su banco de preguntas y a continuación comienza a responderlas, ¿vale? Las puede hacer en modo examen, en modo autoevaluación, como decida el alumno y a la velocidad que el alumno decida, eso sí. Cuando el alumno necesite saber si la respuesta que ha dado a la pregunta es adecuada o no, de nuevo volveremos a incorporar esa inteligencia artificial creada por el profesor para que evalúe si esa respuesta se ajusta a los criterios que el profesor considera que tiene que tener el alumno en esa asignatura concreta para ese contenido concreto. ¿De acuerdo? El alumno recibe un feedback, por tanto, de esa inteligencia artificial, sabe si ha respondido o no ha respondido bien y comienza de nuevo la siguiente iteración o sobre el mismo texto, sobre el mismo documento de lectura o pasa a uno siguiente o a la velocidad que él decida o con el contenido que considera adecuado. Es decir, es un proceso iterativo que repite estas cinco fases, lectura, selección, pregunta, respuesta y evaluación. Y en este caso la inteligencia artificial interviene únicamente en dos, en la pregunta y en la evaluación. Entonces, donde queremos hacer especial hincapié es que la IA no decide, la IA se ajusta a lo que el profesor tiene que definir. Es decir, en este caso la IA es una extensión del profesor para que esté 24 por 7 resolviendo o generando preguntas de acuerdo al criterio particular de ese docente. En este caso, por eso no hablamos de tecnología generalista, porque la tecnología generalista, al final, yo cuando en clase los alumnos, va, profe, ves que echas GPT, digo, vale, digo, ¿cuántos de los que estáis aquí tenéis la misma ropa? Pues ninguno. Y digo, bueno, porque a cada uno a que os gusta tener vuestro propio estilo y vuestra, vale, pues la IA os hace planos. Digo, si todos empezáis a utilizar el chat GPT para resolver problemas y para contestar preguntas, habéis pasado a tener la misma ropa, el mismo peinado, la misma cara, es decir, porque de cara al profesor, el input que recibimos de vosotros es el mismo, no os hace especiales. Entonces, en este caso, el profesor tiene que marcar su impronta, su estilo. Y la forma que consideramos de marcar ese estilo es precisamente creando él esa inteligencia artificial que va a acompañar al alumno en este proceso. Pues o bien definiendo el nivel de dificultad o decidiendo qué contenido va a ser válido y cuál no va a ser válido. O estableciendo, por ejemplo, qué tipo de feedback se le quiere dar al alumno. Un feedback más frío, más cortante, un feedback a lo mejor más cercano y que te pueda dar pistas. Bueno, pues en definitiva, al final eso va en el estilo del docente. Pues ese estilo es el que se tiene que llevar a esa inteligencia artificial. Es decir, no tenemos que verla como un recurso estándar y que a todos nos vale, sino que se personaliza por el propio docente. Y que, por tanto, ahí hago un poco más de resumen. Lo que nos va a proporcionar desde el lado del alumno son preguntas, únicamente preguntas y evidencias, ¿de acuerdo? Vaya, pues vamos entonces a verlo con un ejemplillo. Vamos a ver cómo sería este método LESPRE para un caso concreto. Imaginemos que lo que queremos es que el alumno adquiera conocimiento sobre lo que es un meme. Entonces le pasamos esta nota, que serían nuestros superapuntes. Un meme es una imagen en internet, un vídeo o una frase que se difunde rápidamente en las redes sociales. Muchos memes se basen en plantillas que los usuarios reutilizan cambiando el texto para crear nuevas versiones. Aunque algunos memes pueden surgir espontáneamente, pues muchos se popularizan gracias a comunidades online, algoritmos de recomendación de plataformas como TikTok o Instagram. Y los memes, por último, se han convertido en una forma importante de comunicación cultural en Internet. El alumno recibe esta información, comienza a leerlo y lo tiene que de alguna forma hacer suyo. ¿Cómo lo va a hacer suyo? Pues avanzaríamos entonces a la siguiente fase. El alumno considera en una primera iteración que lo más importante es esto. Meme de internet es una imagen, vídeo o frase que se difunde rápidamente en redes sociales. ¿Vale? Se basan en plantillas. Muy bien. Se popularizan gracias a comunidades online y algoritmos de recomendación. Y es una forma importante de comunicación cultural. De acuerdo, el alumno ha leído el contenido y ha seleccionado lo que considera relevante. Si os fijáis aquí, ni el profesor ni la IA está entrando en evaluar si esa selección es correcta o no. Es decir, esto sí que sería ya parte de que el alumno en clase, cuando participe con el profesor, le manifieste esos tipos de preguntas que ha formalizado con la IA y entonces con el profesor sí que sea capaz de trabajar entre, pues mira, realmente esto sí es relevante, esto no es relevante. Es verdad que es muy importante... Aquí, bueno, añado dos chascarrillos, pero es verdad que desde mi percepción personal, todo esto es personal, luego me podéis dar palos por mi forma de pensar, pero creo que con toda esta evolución que estamos teniendo en la inteligencia artificial y la inmediatez en las explicaciones, nosotros como docentes, el valor que aportamos al alumno claramente, es el de nuestra experiencia y cercanía. Es decir, no podemos perder el foco de que si vamos sencillamente a verbalizar lo que aparece en una pantalla y a transmitir el conocimiento sencillamente como una lectura, sí que ahí el alumno pueda considerar que hay ciertas ideas que son más atractivas que nosotros. Pero si nosotros acompañamos esa información con experiencias personales nuestras, de pues mira, cuando yo estaba trabajando en la empresa, te puedes creer que están metodologías ágiles, bla, bla, bla, bla, bla. Y le describo lo que es un caso real, un caso con más personas. O estaba en un proyecto de investigación y aplicamos esta técnica, pues nada, que no aplicaba. Y todo debía, es decir, acercar esa información, ese conocimiento que puede estar un poco más lejano al alumno, a un escenario que el alumno pueda sentir más cercano. Entonces, a mi juicio, ese es el valor que, por ejemplo, y lo enlazo de nuevo con esto, con la parte de la selección, es donde el docente seguiría teniendo esa actividad, además que es transversal a los alumnos y que, por tanto, no tendría, a lo mejor... tanta necesidad en delegarla en una inteligencia artificial sino sencillamente los alumnos avanzan y en clase bueno a ver qué tal cómo vamos bueno pues mira estas preguntas bien sobre qué temas habéis tratado esto esto esto y nadie trata este tema pues quizá lo mejor es que deberíamos habernos centrado en ahora sí que veo una mano arriba pues salvador creo que puedes hablar [Orador 5]: Sí, ahora mientras Sonia le da acceso, hay otra pregunta también en el chat. Si quieres te la voy haciendo y ahora damos paso. Sobre qué IA usar en la asignatura. Yo creo que eso lo vas a explicar. [Orador 4]: Eso lo vamos a ver en la segunda parte. Por eso. Y ya os adelanto que esta no es una charla de tenéis que utilizar esta IA. No, os vamos a enseñar qué técnica tendríais que utilizar para que luego utilizaseis la IA que consideréis oportuna. ¿De acuerdo? O sea, que va más a la técnica que al recurso. Vale. [Orador 1]: Salvador Jiménez, le puedes dar al micrófono. Tiene que estar saliendo un pop-up para aceptar y abrir tu micrófono para preguntar. [Orador 3]: A ver ahora. Ahora sí que te oye. Vale, que me han salido muchos pop-ups y alguno no lo puedo ni quitar y de hecho no he conseguido ni escribir en el chat. Mira, yo tengo una duda y es ¿dónde acaba la presentación? Yo soy profesor de matemáticas y tengo que dar muchísimas cosas. Entonces sí que uso transparencias. Yo no las leo, las comento, pero ¿hasta qué punto tengo que cortar en la presentación y dejarlo a que el alumno lo lea y no presentarlo en clase? Esa es la duda que tengo en lo que has explicado. [Orador 4]: Vale, vale, perdona, fallo mío porque lo he explicado entonces es todo mal. Es decir, este método LESPRE no está orientado a que se aplique en el aula, digamos, en la sesión con el docente. Este método LESPRE está orientado a que el alumno fuera del aula, de forma autónoma, lo aplique. ¿De acuerdo? Entonces, en clase el profesor decide cómo explicar cierto contenido. No me miento en eso y cada uno tenemos libertad de cátedra para hacerlo. Pero ese contenido al final van a ser unos apuntes que luego el alumno, por la tarde o cuando sea en su casa, lo volverá a leer, volverá a hacer esa síntesis, esa selección. Gracias, Salvador, porque quería aclararlo. O sea, que me ha venido muy bien. Lo estaba explicando muy mal. Y entonces, de forma autónoma y con su propia velocidad, pues mira, yo lo ha dado la clase por la mañana, Carlos. Yo es que esta tarde lo necesito ya. Pues él selecciona y entonces aplicaría este método de autoevaluación. Lo puede hacer por la tarde, lo puede hacer cualquier día. Es decir, es un método externo a lo que se ve en el aula. Hay otra mano levantada. No sé si me voy parando o como queráis. [Orador 7]: Sí, buenas. Soy José Ignacio Pastor. Es en relación a la pregunta anterior. Entiendo que lo que no estás proponiendo, es decir, es una clase invertida. No. [Orador 4]: No, no, no, no me meto en el aula. [Orador 7]: Simplemente por dejarlo claro desde el principio. O sea, te he entendido bien, pero puede ser que alguien no lo esté entendiendo. [Orador 4]: No, pero si me lo habéis dicho dos, eso es que no lo estoy explicando bien. Entonces, no es aula invertida. [Orador 7]: Lo estamos entendiendo mal nosotros. [Orador 4]: No te preocupes. [Orador 7]: Es seguir un protocolo parecido al habitual, pero con un soporte adicional a demanda del alumno. [Orador 4]: Perfectamente explicado. Eso es. Es un soporte adicional para que el alumno, con su velocidad y de forma externa al aula, pueda continuar con el aprendizaje. Eso es. En el aula, cada uno sigue con el proceso que considere oportuno. Sí, sí, eso es. Muchas gracias, Carlos. Gracias, José. Santiago, ¿tienes alguna duda? [Orador 2]: Sí, bueno, más que una duda, yo solo quería subrayar eso que has mencionado, si se me permite, que el papel que nos queda como diferencial es el de acompañar y aportar experiencia. Yo me animo, aunque no suelo intervenir, me animo a hacerlo porque es una conclusión a la que más o menos, con otras palabras, yo ya había intentado llegar dándole muchas vueltas porque es que realmente invito a todos los presentes a que intenten pedirle a la IA que les explique algo porque es absolutamente maravilloso. Es decir, en conceptos complejos puedes preguntarle con infinita paciencia e infinitas referencias a otros campos ejemplos, analogías explícamelo en 400 palabras, explícamelo como si tuviera 12 años, explícamelo como si tuviera un nivel de matemáticas de bachillerato, como si supiera determinadas asignaturas, como si ya me hubiera mirado este temario que te acabo de entregar y conceptos complicados explícame esta persona el descubridor, el camino lógico que llevó a este descubrimiento y todos sus antecesores y si quiero puedo ver el momento histórico, etcétera perdón por extenderme, lo que quiero decir es que Lo que nos queda a nosotros como docentes es eso, contar lo que competimos, entre comillas, y encontrar nuestro valor añadido va a requerir un cambio de paradigma. Nuestra función como docentes éramos los propietarios del conocimiento. Y los que teníamos las herramientas para transmitir conocimiento elevado. Y yo creo que nos han pasado por la derecha. Entonces, simplemente un comentario. Yo animo a la gente a que pruebe, a que te expliquen qué es la entropía o cuál es un concepto así que tengas que te baile. y que puedas seguir y tirar del hilo una y otra vez con la inteligencia artificial y es algo es un proceso realmente fascinante ya está sin más siento haber pirateado la charla no no no está muy bien muchas gracias es que me gusta porque en cierto modo estamos alineados es decir es que es un enfoque que nosotros [Orador 4]: lo estamos viendo y que en concreto con esta IA además muy avanzada en varios proyectos de investigación por ejemplo lo que sí que hemos detectado es que la IA donde hace aguas por ejemplo es en acotarle una ventana una ventana temporal y lo que considero yo como docente es que nosotros los docentes lo que tenemos es que facilitar el tránsito el tránsito es ese proceso de aprendizaje entonces la IA lo que tiene es un criterio general de aprendizaje yo le pregunto tal cosa y ella me la va a explicar pero el docente lo que tiene que hacer es contextualizar ese aprendizaje en un programa docente donde tienes unas asignaturas que el alumno ha tenido que ver previamente, donde tienes unas asignaturas que además se dan de forma simultánea, entonces te lo va enlazando, te lo va conectando, te lo enlaza además con unas experiencias personales y profesionales que hacen que el alumno lo baje a la tierra mucho más fácil. Entonces es como, a mi juicio, la IA es un recurso súper interesante para Sobre todo cuando ya eres un experto en un dominio y quieres alcanzar otro conocimiento externo, pues te permite saltar muy bien, pero que el docente lo que debe es acercar ese recurso o acotarlo o personalizarlo, pero no como persona, sino como actividad pedagógica para que el alumno le saque todo el partido posible. Entonces, bueno, me encanta. Gracias, Santiago, porque sí, estamos alineados. Seguimos aquí, entonces. [Orador 5]: Sí, Carlos, ya que estamos... Una pregunta muy breve que está en el chat. ¿Cómo conseguimos que el alumno no use la IA en la fase 2? Por ejemplo, si lo hace fuera del tiempo del aula. Aunque yo creo que contesta porque has remarcado ya que todo es fuera del aula. [Orador 4]: Todo es fuera del aula, pero sí que es cierto que nosotros volvemos a lo mismo. No podemos evitar que el alumno use la IA. nosotros como docente le decimos dónde debería utilizarla. ¿Que la utiliza en otro recurso? Pues que la utilice, pero está asumiendo un riesgo y es el de la síntesis. No va a ser capaz de sintetizar, que es lo importante, luego cuando llegue el examen, la evaluación, lo que sea, seguramente haga aguas si no tira de esa IA es decir esto no es un proceso para bloquear a la IA no el alumno bueno pues bajo su responsabilidad como el niño que tiene menos de 18 y decide coger el coche pues se la está jugando pero nosotros como docentes sí que le decimos En la fase de preguntas y en la fase de evaluación sí que puedes utilizar IA, te la recomiendo de hecho y te preparo además esta IA para que la utilices y le saques todo el partido. Entonces es como una forma de decir, vale, no puedes utilizar el coche que todo el mundo utiliza porque no tienes 18 años, pero sí que puedes, por ejemplo, leerte el código civil o utilizar el cuadro de mando sin ponerlo en marcha. Valga un poco el ejemplo, aunque no sé si está siendo muy acertado. Pero vale, pues eso sería, es decir, no podemos ponernos a ser el policía que lo detecta, no, sencillamente lo que sí que le tenemos que transmitir es los riesgos. Vale, entonces el alumno ha recibido una sesión cuando sea en el aula, ya está fuera del aula, está en su casa o donde sea y decide volver a ese contenido que vio en el aula y lo lee. Selecciona, marca aquello que considera oportuno y ahora, gracias a lo que le ha preparado el profesor, dice anda, pues quiero autoevaluarme. Voy a acceder al recurso que me ha preparado el profesor para que me haga preguntas sobre lo que yo he subrayado. Ya no son unas preguntas estáticas, sino que son dinámicas del contenido que él ha preparado. Y se las va a preguntar en distintos niveles. A nivel de recordar, oye, pues, ¿y qué es un meme? Y a nivel de comprender, ¿por qué se difunden tan rápido? Etcétera. En pasa a tener esos seis niveles preparados, ¿vale? Entonces... Una vez que el alumno tiene todo ese banco de preguntas listo, yo lo que le recomendaría es, pues como si son post-it o lo que sea, aleatoriamente ve cogiendo preguntas y pasa a responderlas. Vale, pues ¿por qué los memes se difunden tan rápido? Ah, esto me suena, lo subrayé. Claro, pues esto era y respondo, ¿vale? Pues entonces, una vez que ya tengo esas preguntas, genero las respuestas, hasta ahí de nuevo todo proceso del alumno No va con prisa, responde en el tiempo que consideres oportuno, cada uno tiene su velocidad. ¿Qué quieres utilizar los apuntes para responder? Pues eres libre, ¿qué no los quieres utilizar? Eso depende en tu forma de ejercitar esta autoevaluación. ¿De acuerdo? Y ya por último, ¿vale? ¿Cómo sabes de cara al profesor si la respuesta que tú has dado a esa pregunta es adecuada o no? De nuevo aquí, el profesor habrá suministrado un acceso a una inteligencia artificial. suya propia, y entonces le explica, pues mira, lo que tú has respondido, pues está correctamente de acuerdo a que se difunden rápido y demás, pero la respuesta es que es un poco genérica y quizá debería ser más específica, y le explica qué punto debería mejorar. A lo mejor decís, no, yo solo quiero decirle bien, mal, y que me pregunte en clase. Vale, pues entonces tu guía solamente le va a decir... A preguntar al profesor por qué este concepto no lo tienes claramente interiorizado, etc. Ahí es lo que vosotros consideréis oportuno. Pero lo que facilita es que el alumno fuera del aula, fuera de contacto con el profesor, puede continuar ese proceso de aprendizaje. Y lo puede hacer de forma guiada por el profesor. Y esa guía viene en la formulación de las preguntas y en la evaluación de las respuestas. El diagrama final de todo este proceso, el cierre de este método LESPRE sería este, es decir, por un lado tenemos al docente, al docente que se encarga de crear modelos de inteligencia artificial que cubren los niveles de Bloom y además que evalúan respuestas a preguntas formuladas previamente por estos modelos. Los crea y los publica, es decir, permite que los alumnos dentro de este proceso iterativo que hacen de autoevaluación fuera del aula puedan utilizarlos. ¿Cuándo? Pues en la fase de pregunta, pues me encuentro muy fuerte. Yo ya quiero saltar a la parte del análisis crítico. Fantástico, utiliza el recurso de la IA crítica, genera las preguntas, responde y evalúa si la respuesta que ha dado esa pregunta es correcta o no. De nuevo, evaluar con uno de los modelos que el profesor ha preparado. La interacción es un triángulo, tenemos al profesor y al alumno que en el aula siguen teniendo su comunicación, su presentación del contenido, pero eso sí, una vez que el contenido ya ha sido presentado por el profesor, el alumno de forma autónoma puede interiorizarlo, avanzarlo... entenderlo de forma autónoma utilizando esos seis recursos que siguen teniendo la impronta del docente porque esas sillas las ha creado el profesor entonces bueno esto es un articulillo que estamos ahí preparando con esta visión pero que nos gustaría sobre todo y llevarlo directamente al aula, porque hemos tenido solamente un feedback positivo, pero me gustaría durante todo un semestre ver cómo funciona para aquellos alumnos que quieran participar y que lo quieran incorporar. Por eso, digamos, ahora ya esta segunda parte del bloque de hoy iría a, venga, vale, pues ahora, ¿y cómo lo hacemos? ¿Y cómo lo podríamos implementar? Entonces, por mi parte, este primer método quedaría cerrado. No sé si tenéis alguna duda, algo que no haya explicado bien, como antes que no he sido capaz de matizar bien que se produzca en el aula. Ah, vale. Alberto, en el chat, el estudiante le pasa la IA a lo que ha subrayado. Exacto. El estudiante debería pasarle a la IA aquello que ha considerado relevante o sobre lo que quiere que la IA le haga preguntas. Es decir, si el alumno considera que el concepto de entropía es importante entenderlo, subraya la definición, subraya aquellos ejemplos o lo que considere de los apuntes. que explica lo que es la entropía para que la IA le formule preguntas, pues a tipo recordar, a tipo comprender o a tipo analizar, ¿vale? Es como una forma de extraer del texto original aquello que el alumno considera relevante, ya sea porque de cara al examen El profesor se lo va a preguntar, de cara personal es un conocimiento que quiere adquirir o de sus habilidades es aquello lo que más flojea. Esto no puede fomentar a que el alumno no acuda al aula. Aquí insisto en lo anterior. El valor que el docente tiene que tener no es el de transmitirle el texto que el alumno tiene que leer, no, es el de presentarle el texto que el alumno tiene que leer contextualizado con el resto de contenido que hay, tanto en la asignatura como en las asignaturas que forman parte del grado, del máster, de lo que sea, y con la experiencia personal de... Pues el otro día leí que en la noticia patatín, fijaros, esta infraestructura, estamos viendo infraestructura de Big Data, pues esta infraestructura que funciona bien para estos escenarios, aquí hizo aguas. ¿Os podéis creer por qué? Y lo explico. Entonces ya presento ahí uno de los conceptos que la lectura aparece de forma un poco más formal, ¿vale? Entonces, a mi juicio, la forma de... que el docente no pierda ese valor y que siga siendo atractivo para el alumno es en la presentación del contenido. Es decir, si la sesión va a ser pues un meme es esto que veis aquí y yo te lo leo y lo habéis entendido. Entonces ahí el riesgo a mi juicio es alto. ¿Por qué? Porque la IA ya lo va a verbalizar y de hecho te lo va a reorientar. Sin embargo, tú tienes que darle un poquito más de personalización, de contextualización. No sé si te he contestado, Estela, o prefieres hablar y se resuelven, no sé. Ah, fantástico. Eduardo, pero si el alumno, el que decide lo relevante, se puede dejar partes importantes. Eso es. Es decir, y no es que yo lo esté buscando, no, ni mucho menos. Digamos que ese sería otro de los aspectos, habilidades a desarrollar por el alumno. Entonces aquí en este método no nos metemos en la parte de la selección, ahí delegamos en que el alumno cuando con ese aprendizaje que ha ido adquiriendo vaya al aula y le comente o comenten los alumnos, esta es la parte interesante, al profesor las preguntas que han ido haciendo y los conceptos que han ido tratando, el profesor sí que puede detectar si hay una tendencia errónea, acertada o incorrecta de destacar aquellos puntos que él considera relevantes. Entonces, ahí de nuevo el profesor contextualiza ese conocimiento general en aquello que considera realmente importante. A ver, chicos, esto son infraestructuras de Big Data, pero dado el grado en el que estáis y el alcance de esta asignatura, vamos a ceñirnos, por ejemplo, a los modelos multidimensionales por encima de los otros, porque... Y entonces de nuevo personalizamos esa experiencia. Es verdad que de charlas anteriores este punto sí ha resultado más crítico porque efectivamente es una habilidad que el alumno no tiene por qué tener adquirida y ahí el error sería que delegase en una IA porque entonces ya pierde esa capacidad de síntesis. Por eso decimos que no, que no, que el alumno lo subraye y que si lo hace mal significa que se está dejando contenido importante y que por tanto Aunque esté respondiendo muy bien a todas las preguntas, lo que no está es formulando preguntas relevantes, importantes. Pues eso el profesor tendría que ser capaz de corregirlo en el aula. No sé si hay más preguntas. Ah, vale. Estoy viendo otra de Beatriz. A la programación de cuestiones en MUDE es que la IA, la que propone preguntas y el profesor las filtra. Eso es. Es decir... Aquí el matiz es que esto es autoevaluación, es decir, el cómo el profesor decida al final generar el cuestionario último, no me meto, eso el profesor decide cómo lo va a crear. Yo aquí lo que estoy es ofreciendo la IA para que le dé respaldo a las horas anuales. a la velocidad que el alumno considere, vale, en cuestión de grados, pero por ejemplo en máster, donde hay alumnos que están trabajando, a lo mejor sus horarios de estudiar y aprender son muy diferentes a los que el profesor pueda tener disponibilidad, pues de esta forma avanza en cualquier momento y con una velocidad que considero oportuna. Pues mira, ahora me quiero avanzar todo este temario. Vale, pues sintetizo y voy formulando una pregunta sobre otra pregunta y la IA me responde y me autoevalúo y voy avanzando y así a la sesión que tengo en el aula la semana que viene ya llego con todo este conocimiento adquirido. Y otro solamente puede avanzar cada cuatro semanas. Bueno, pues... En definitiva, es decir, yo ahí no me estoy metiendo en esa generación en Moodle de los cuestionarios evaluados finales, es decir, aquí es más autoevaluación, de hecho, ahora cuando veamos el ejemplo práctico vais a ver que no me apoyo en Moodle, no hay una rúbrica, no hay un criterio, una rúbrica, no hay un registro, mejor dicho, de nota, solamente una forma de que el alumno pueda tener feedback, ¿vale?, No sería, Eduardo menciona que no sería interesante que la IA en respuesta determine también qué le puede faltar con sus preguntas. Fantástico, eso es. Eduardo, eso lo que significa es que en tu IA que va a dar soporte a la evaluación, le quieres de alguna forma corregir lo que consideras relevante y no. Entonces, en tu IA deberías prepararla para que sea, además de explicativa, crítica con la relevancia del contenido. Pues mira, alumno, sí que me has contestado muy bien esta pregunta, pero replantéate si esta pregunta es suficientemente importante para lo que estamos viendo. Entonces, es una forma de que de ahí le intentes reencaminar o que tenga un poco más de sudor frío de decir, ahí va, a ver si es que la parte de selección no la estoy cubriendo bien. Pero sí, de nuevo, esto sería en el modelo de IA aquí, en la parte de evaluaciones evidenciadas, donde tú personalizarías eso, Eduardo. Sí. María, ¿crees que la IA podría ayudarle al profesor a generar esos ejemplos de la vida real profesional para dar contexto en clase? A ver, la IA, por mi experiencia de experimentos que estamos haciendo, hemos sacado hace poco además un benchmark, por ejemplo, de alucinaciones, ventanas temporales, dominio de un área. La IA es muy buena dando ejemplos típicos, es decir... A mi juicio, poco humanos. Poco humanos es, yo por ejemplo, en la asignatura que tenía de ingeniería del software, a los alumnos les explicaba cuando yo en la empresa tuve que liderar un equipo de trabajo aplicando una metodología ágil, Como me pasó que con ciertas personas eso le generaba ansiedad. Cuando tú te leías la documentación de la metodología ágil, son todo beneficios, la gente está súper contenta, el equipo es súper productivo, la empresa feliz, y sin embargo ahí tienes una bofetada de realidad y dices, no, pero es que para esta persona concreta, con una serie de características que no la alejan de muchas otras personas, esta metodología no es adecuada. Entonces, esa experiencia personal a nivel de IA es muy difícil que salga. ¿Por qué? Porque no está muy extendida. Y entonces, la IA al final no deja de responderte lo más probable, que siempre suele ser lo más acertado, porque es lo que más se repite. Sin embargo, aquí esta personalización de mi caso es muy concreto de Carlos cuando trabajaba en la empresa, en la empresa en la que trabajaba y en el equipo en el que trabajaba. Pero creo que le aporta mucho valor porque los alumnos ahí descubren cómo una metodología es buena en términos generales, pero existen escenarios en los que te puedes encontrar con una dificultad y tú como experto tienes que reajustarlo, reencaminarlo. Entonces, es verdad que la IA te puede generar experiencias, a mi juicio, poco humanas, por lo que hemos visto también de otros experimentos. Válidas, por eso hablaba de que cuando te acercas a la IA como experto tu sensación de satisfacción es mucho mayor que cuando no eres experto, pero no tan cercanas a los estudiantes de lo que, en mi opinión, deberían ser los comentarios del profesor. Vale, entonces María dice, entonces poco tenemos que aportar en las asignaturas que impartimos que no están relacionadas con nuestra experiencia profesional. Profesional, me explico, Personal, es decir, ya sea investigadora, ya sea en tu dominio, es decir, algo que te aporte un valor adicional a ser un mero transmisor de información. Es decir, no me quiero meter ahí a empezar a... No, pues aquí sí que aplica o no aplica. No. El docente, cuando transmitimos un conocimiento, no verbalizamos solo una información, sino transmitimos el conocimiento y el conocimiento es adquirir un pensamiento crítico, llevarlo a escenarios reales, poner ejemplos de nuestra vida real... Pues esos ejemplos pueden ser, a lo mejor, una conversación con otro docente, María, en el que al discutir sobre cierto tema, pues fíjate, salió a la luz algo que viendo los apuntes, pues no aparecía. Eso es una experiencia. Y eso, a mi juicio, al alumno lo va a agradecer muchísimo porque le va a enriquecer toda esta experiencia que de forma, vamos a llamarla quizá, más industrial, sería puramente basada en inteligencia artificial. No sé si me estoy explicando bien, pero bueno, más o menos, sí. Genial, gracias María. ¿Hay alguna duda hasta este punto? O ya lo siguiente que tengo yo aquí planificado es, venga, pues vamos a pasar a la parte de implementación. ¿Cómo podríamos abordar esto cada uno de nosotros de forma autónoma? ¿De acuerdo? Vale, pues... Tenemos que crear inteligencias artificiales, hemos quedado en eso, ¿no? Tenemos que crear inteligencias artificiales que sean capaces de formular preguntas y de evaluar respuestas de acuerdo a una pregunta y a un contexto, que sería ese texto que el alumno ha seleccionado. Vale, pues aquí tenemos, a la hora de crear inteligencia artificial generativa, tres estrategias claras. La primera requiere mucho esfuerzo, pero es muy potente. Parto de la más potente a la menos potente, ¿de acuerdo? La más potente es crear una IA propia. Cuando digo de inteligencia artificial propia, es que no nos creamos una IA a partir de chat GPT, el modelo que tiene debajo que es GPT o Gemini, no. Estamos hablando de crear una IA propia. Es decir, de que no exista un modelo de lenguaje previo, salvo el que estamos construyendo para este propósito. Vale, aquí hay que ser muy realista. Y es a nivel nacional, los modelos nativos español de IA generativa solamente los construye el BSC, el Barcelona Supercomputing Center. Se requieren no solo de grandes recursos documentales, sino de grandes recursos computacionales para crearlo y para mantenerlo. Porque si ya es costoso crear el recurso, os podéis hacer una idea de lo que es ponerlo en disposición de que los usuarios lo utilicen. Ya estáis viendo en otros recursos y otros idiomas, ChatGPT, Gemini, etcétera, cómo requieren suscripciones más pagos elevados en empresa porque es una infraestructura con un coste alto. Entonces, crear una IA propia ya solo se me ocurre que ese alcance tendría que ser a nivel institucional, pero lo veo difícilmente abordable, insisto, en que sea realmente propia. Siguiente nivel, bueno, pues venga, asumimos que quizá crearla desde cero va a ser un poco complicado, pero si modificamos una inteligencia artificial existente, vale, esto es, tenemos... un modelo de IA generativo ya creado, que puede ser incluso multilingüe, haya utilizado textos principalmente en inglés, aunque también en español, y que entonces, por tanto, tiene, digamos, como una cultura general. Es una persona que tiene un nivel de estudios suficiente como para formular preguntas. Pero claro, tiene un nivel de estudios o una preparación para formular preguntas generales. Y nosotros lo que queremos es especializarlo en nuestro dominio concreto. ¿De acuerdo? Entonces, aquí lo que sí que vamos es a crear otra inteligencia artificial, pero a partir de esta. ¿Cómo? Aportándole ejemplos por prueba y error. Pues mira... Y ya, tú eres muy buena haciendo estas preguntas, pues ahora, si yo te diera este texto, quiero que me hagas esta pregunta. Si yo te diera este texto, quiero que me hagas esta pregunta. Si yo te diera este texto, papapá, papapá. Y entonces, así necesitaríamos crear una colección documental suficientemente grande para Cuando digo grande, es muy elevada. Carlos, ¿esto qué es? A partir de 100 preguntas, pues menos es peor. Es decir, con 100 preguntas, a mi juicio, no es suficiente. Es decir, si lo que queremos es que el modelo sea capaz de entender ¿Qué partes relevantes del texto tiene que utilizar para formular esa pregunta? Le tenemos que dar muchos ejemplos. Muchos ejemplos, pues a lo mejor en ciertas asignaturas sí que disponéis de esos bancos de preguntas y el ejercicio sería, vale, vamos a vincular esa pregunta concreta con aquellos textos de los que bebió para evaluar. Y construimos un conjunto de contexto, pregunta, y reentrenamos una inteligencia artificial existente, ¿para qué? Pues para que sea capaz de formular este tipo de preguntas. El alcance, pues a mí se me ocurre que este alcance sí que podría ser a lo mejor como un servicio transversal. o por asignaturas de un departamento, o por asignaturas de un área de conocimiento. ¿Por qué digo transversal? Porque se puede beber de esa combinación de todos esos bancos de preguntas para crear una IA que de alguna forma sí que sea capaz de interiorizar ese tipo de preguntas. Cuando digo tipo, ya no estoy siendo concreto de una gramática o una... Praxis muy concreta. No, no, no, no. Es que hay preguntas en las que hay que combinar, por ejemplo, imagen-texto, diagramas. Pues, bueno, pues en esos escenarios sí que sería recomendable crear esa IA a partir de otra existente, pero que sea muy particular de ese dominio, de ese tipo de formulación de preguntas, ¿vale? Y ese es el medio alto. De nuevo, a nivel transversal y con necesidades de infraestructura computacionales un poco altas. Vale, ahí hay una pregunta, hay preguntas, sí. ¿Puede el profesor obtener de la IA información sobre la evolución de un estudiante o del grupo basada en su uso? Ah, esa es una buena pregunta y me viene muy bien porque con la demo que os voy a enseñar sí que el sistema captura estadísticas de uso de modelos. A priori, bueno, eso lo vamos a ver a posterior, Alberto, pero sí que hay, te puedo garantizar que hay de uso, pero lo que no estoy seguro es del modo de uso, sino de estadísticas de cuántas veces lo han utilizado, en qué horario, qué usuarios, pero no tengo claro que recoja a día de hoy estadísticas sobre qué tipo de preguntas ha formalizado, ¿vale? Entonces, ahí no me mojo, ¿vale? Hay otra pregunta de Salvador. ¿Esto que explicas se puede hacer con la modalidad proyectos que ofrece, por ejemplo, Copilot? Si te refieres a la particularización por un conjunto de textos, ahí hay que matizar. En esto de las tecnologías de lenguaje hay una técnica que se llama RAG. que es lo que yo creo que utiliza Copilot y es que no crea un nuevo modelo, sino que ya tiene un modelo y lo que hace es que cuando tú le formulas una pregunta o una consulta, en lugar de utilizar únicamente su base de conocimiento, que es con lo que fue entrenado, incorpora aquellos documentos que tú le has aportado como base de conocimiento. extrae de esos documentos la información relacionada con tu consulta y te verbaliza una respuesta. No, eso no es lo que yo estoy hablando ahora de modificar una IA existente. En mi caso, no requiere de que le demos una base de conocimiento posterior, sino previa. Es decir, el modelo se reentrena con todas esas preguntas concretas que tú le das, de forma que al final el modelo solo sabe formular preguntas, no sabe hablar. Ese es el... Matiz fundamental. En un modelo como mencionas, tipo Copilot, es un modelo que te da chat y además te responde preguntas contextualizadas. Con lo que yo estoy hablando de modificar un AI asistente, el modelo únicamente aprenderá a formular preguntas y de ahí no sale, solo te hace preguntas. Vale, José Ignacio, creo que tienes también otra duda. Sí. [Orador 7]: Hola, Carlos. Una cosa que igual viene más adelante o viene en el futuro. Supongo que todo esto se puede usar para ir haciendo una evaluación progresiva del alumnado. ¿Es posible de alguna forma conectarlo con Moodle o está previsto en algún momento la integración en Moodle? [Orador 4]: Vale, en la propuesta que yo hago ahora mismo, no. Es decir, me he querido alejar de cualquier tecnología, y ahí incluía también Moodle, para que cualquiera de nosotros lo pudiera aplicar de forma completamente autónoma. ¿Cómo se podría aplicar a Moodle? Sí que considero que hay vías de enlace. Es decir, No necesariamente los modelos tienen que estar en Moodle, no lo considero necesario, pero incluso se le podría suministrar a Moodle como una serie de, imagínate, José Ignacio, lo estoy pensando un poco al vuelo, pero que aunque el alumno pueda tener esa autoevaluación de forma periódica, cada dos semanas, cada tres semanas, abre ese Moodle un cuestionario optativo y que los alumnos lo puedan contestar. Con eso te daría una baliza del avance y si es independiente de que el alumno esté utilizando esta técnica o no, pero sí que te permite saber en qué punto se encuentran cada uno de los alumnos. Lo que quiero decir es que tenemos que intentar evitar que el uso de la IA siempre vaya incorporado en estas tareas administrativas. Tiene más peso, a mi juicio, en los procesos que en las tareas administrativas. Entonces, la parte del Moodle, sí, se puede incorporar ahí. Pero bueno, eso se podría estudiar. Es decir, no lo considero... Ahora mismo, en el ejemplo de hoy, no. Vais a ver que es un uso externo completamente y autónomo para que el alumno lo pueda utilizar. [Orador 7]: ¿De acuerdo? Muchas gracias. [Orador 4]: Vale, pues ¿dónde nos vamos a centrar nosotros? Pues en el último, en el más bajo. ¿Por qué? Porque es el que requiere menos requisitos computacionales y asumo que cualquiera de nosotros lo podemos hacer en nuestro ordenador portátil, en nuestro ordenador de casa, el que tengamos en el departamento, etc. En este caso, vamos a utilizar una IA ya creada y lo que vamos es a contextualizarla. Es muy parecido a lo que había mencionado antes con el copilot del RAG. Lo que ocurre es que aquí En lugar de darle una base de conocimientos de forma documental, lo que le vamos es a restringir qué grados de libertad tiene ese modelo generativo, que por tanto es capaz de mantener un chat, para solamente ajustarse a tienes que formular preguntas que midan la capacidad memorística del alumno de acuerdo a bla bla bla bla bla bla bla bla. En este caso nos apoyamos en modelos existentes y lo que hacemos es sobre estos modelos contextualizar, ajustar, restringir su libertad para que solamente respondan a preguntas de forma muy concreta. En este repositorio que tenemos en GitHub, ahora voy a entrar, os hemos descrito varios prompts. El prompt es la forma de comunicarte con una IA generativa, ¿vale? Pues varios prompts para que se puedan crear modelos de los distintos niveles de Bloom. La estrategia que hemos seguido es una que está bastante extendida en la literatura científica, que es el marco CRAF, que define que en un prompt, para que la IA sea capaz de interiorizar bien lo que tú le estás ordenando, tienes que arrancar primero indicándole el contexto. Oye, IA, ¿tú qué eres? Pues eres un fotógrafo profesional. No, pues mira, eres un docente... que quieres establecer una barrera muy clara con el alumno. No, eres un docente que quieres acercarle el contenido incluso dándole pistas, etcétera. Ese es el contexto, ¿vale? Arrancamos con ese contexto inicial y con ese rol. A continuación pasamos a la R, el request, la tarea. ¿Qué queremos que la IA haga? Pues mira, IA, sabiendo que vas a ser un profesor que formula preguntas, tienes que extraer del texto que recibes aquellos conceptos más importantes y vincularlos con preguntas factuales. Para esas preguntas factuales te tienes que restringir a... No más de tantas palabras. Una extensión de no más de dos líneas. O al revés, que la pregunta venga precedida de un escenario hipotético para que el alumno salte. Es decir, le vas marcando una serie de pasos, como si se lo estuvieras explicando a otra persona que te va a cubrir en una sesión. Y luego, a continuación, ya pasas al input. ¿El input cuál sería? En este caso, el input es el texto que el alumno nos va a dar. ¿De acuerdo? Le hemos indicado ya a la IA el rol que va a jugar. ¿Qué pasos tiene que hacer? Ahora a continuación le proporcionamos el texto del alumno. Siguiente paso, ¿qué formato esperamos? Mira, a la salida nos vas a decir que estas son preguntas factuales y dos puntos y detallas las tres, cinco preguntas que consideres oportuno, ¿vale? Y por último, el tono. Aquí un poco es la personalización de la comunicación. Quiero que sea distendido, quiero que sea formal, no permites expresiones malsonantes, etc. Si vamos a este repositorio, a ver si lo veis. Vale, quiero ver si ahora... Sí, ¿no? A ver. Entramos ahí en GitHub de Lincedu. Y dentro el repositorio de aprendizaje por inteligencia artificial. Entonces aquí hay una serie de ficheros y estos ficheros están orientados de otro taller a crear esos modelos de inteligencia artificial. Pues fijaros, vamos a ver al de preguntas de recordar. Pues aquí tenemos cómo le diríamos al modelo que se tendría que comportar. Mira, eres un asistente especializado en crear preguntas educativas a partir de datos o de textos de estudio. ¿Cuál va a ser tu tarea? Pues tu tarea es generar preguntas que evalúen la capacidad de un estudiante para recordar información explícita presente en un texto. Si os fijáis, el objetivo de este PRON no es solo indicarle lo que tiene que hacer, sino lo que no tiene que hacer, dónde no se tiene que salir. Importante, las preguntas deben ser completamente autocontenidas. ¿Por qué? Porque la IA, como todo lo contextualiza, si yo le paso un texto y le digo, fórmulame una pregunta, es probable para modelos bajos que me diga, como menciona en el texto, ¿qué significa... ¿Cómo que según se menciona en el texto? La pregunta debe ser autocontenida. Está orientada a que el alumno coja todas esas preguntas y acabe construyéndose un banco que le permita autoevaluarse. Luego ahí incidimos. El estudiante debe poder entender cada pregunta sin haber visto el texto original, de forma autónoma. Luego la pregunta tiene que ser completa. Reglas para las preguntas. Pues mira, las respuestas deben aparecer explícitamente, lo voy a hacer más grande, en el texto proporcionado. Es decir, no queremos que el modelo genere nuevo conocimiento, no, que se ciñe en ese conocimiento. Aquí es muy curioso porque en otro experimento que hicimos queríamos, lo llamamos, hackear a los modelos. ¿Y somos capaces de hacer que un modelo diga, por ejemplo, que el cielo no es azul, que la tierra no es redonda? Vale, pues se veía que para ciertas verdades absolutas, es decir, que en su contenido de entrenamiento ha estado muy presente, es muy difícil, por no decir imposible, que el modelo diga lo contrario. Pero en otros escenarios sí. Entonces, lo que queremos aquí indicar es que si el alumno le pasa en el texto que el cielo es rojo, la pregunta se ciña a ese texto, esa es su verdad, ¿de acuerdo? ¿Por qué? Porque asumimos que a lo mejor hay en determinadas etapas de aprendizaje donde la información que se le pasa al alumno, No es que sea incorrecta, es sencillamente incompleta. La IA no tiene que completarla, no tiene que abordar un conocimiento que a lo mejor el profesor no considera que el alumno te va a tener en ese momento. Entonces, con este primer paso le queremos ceñir a eso. Lo siguiente, las preguntas deben evaluar la capacidad de recordar información factual, perdón. Deben pedir identificar, por ejemplo, nombrar, definir, indicar datos presentes en el texto. Vale, no deben requerir interpretar, explicar o justificar. De nuevo, lo que os he mencionado antes. Indicamos qué es lo que puede hacer y también le indicamos qué es lo que no puede hacer. Las preguntas deben formularse como preguntas generales sobre el contenido. No sobre el texto. No utilices ninguna referencia al texto, documento, fragmento. No utilices expresiones como bla, bla, bla, bla. Cada pregunta debe mencionar directamente incidimos, ¿vale? Entonces, una vez que ya tenemos todas esas tareas marcadas, a continuación le indicamos el contenido. El usuario te va a proporcionar únicamente el contenido del texto. debes usar el texto únicamente para extraer la información, pero las preguntas deben ser independientes, autónomas del texto, ¿vale? Y a continuación le decimos cómo nos debería devolver la respuesta. Pues mira, indícanos en este formato, que es como la almohadilla para resaltar, es un formato Markdown, vale, te estoy devolviendo preguntas de tipo recuerdo, Aquí van mis tres, cinco preguntas enumeradas que voy a ser capaz de formular. ¿De acuerdo? Entonces, esto sería un ejemplo del prompt que utilizaríamos para... contextualizar, de nuevo enlazo con esta sección, contextualizar una IA ya existente para que sea capaz de crear esas preguntas de los distintos niveles de Bloom. ¿De acuerdo? ¿Y cómo vamos a bajar esto a la tierra? Ya tenemos la técnica, que es una contextualización, un aprendizaje, mejor dicho, por contexto. Tenemos las herramientas de contextualización, que son los prompts. ¿Cómo o qué modelos concretos vamos a utilizar? Y aquí es donde entran estas dos partes de tecnología, que son las que propongo, que son abiertas, accesibles, que es Oyama y Open Web UI. Oyama es un recurso que si lo instaláis en vuestro ordenador, os va a permitir chatear con modelos que en lugar de que estén disponibles en un servidor remoto, lo tengáis disponibles en vuestro propio ordenador. Luego es una ejecución local de modelos. Y no solamente te permite ejecutar modelos, sino que te permite crear modelos para que los sigas ejecutando en tu ordenador o incluso en cualquier otro ordenador. Es una forma también de distribución de modelos. Os enseño un ejemplo. Aquí yo tengo Oyama instalado. Veis este icono aquí arriba. Y si abro Oyama, me aparece directamente un chat que será el que... A ver, porque creo que me lo he abierto... Ah, sí, me lo ha abierto aquí. Perdonad. Aquí os lo llevo. Me abre un chat. ¿Vale? Y en este chat, los modelos que yo tengo aquí disponible son los que realmente yo tengo local en mi ordenador. ¿Me preguntas, Salvador, si funciona en Windows? Sí, igual. O sea, lo bueno de Oyama es que está disponible en varios sistemas operativos, incluso doquerizado. O sea, que se puede lanzar en cualquiera de ellos. Entonces, en estos modelos que yo tengo aquí instalados local, yo puedo elegir el modelo y hablar... y preguntarle cómo te encuentras hoy, por ejemplo. Entonces, tarda un poco porque intenta cargar el modelo local. Pero, bueno, en definitiva, Oyama es un sistema que nos permite tener modelos de IA generativa en nuestro ordenador, instalado en nuestro ordenador. ¿Vale? Pues, vale. Ya tenemos una vía de incorporar modelos de IA generativa. ¿Cuál es el otro recurso? Bueno, perdona, antes de nada os enseño que de Oyama la cantidad de modelos que tiene es bastante amplia. Si vais a la plataforma, vais aquí, ordenados por días, tenemos modelos tanto generados por la industria, por empresas, como por particulares. Entonces, si por ejemplo queremos buscar un Gemini o un Gemma 4 de Google, tenemos aquí la capacidad de descargarnos cualquiera de estos modelos. Lo que os indicaba, tenemos modelos pequeñitos, pequeñitos en cuanto a tamario, esto es el tamaño no solamente de disco, sino de memoria, idealmente de GPU que hacen falta, y esto el tamaño que necesitaríamos para levantarlo, pues obviamente en un servidor. En cualquier caso, aquí con libertad, el método no indica el modelo a utilizar, sino solamente las técnicas, ¿vale? Entonces estamos utilizando aprendizaje por contexto mediante prompting. Os indico Oyama como vía de cargar y contextualizar ese modelo, pero podéis utilizar el que consideréis oportuno. El siguiente elemento que vamos a utilizar en esta demo es Open Web UI. Es un recurso que lo que hace es, vale, tenemos Oyama que de forma local carga modelos. Y si nos lo alejamos, es decir, y si ofrecemos un servicio para De forma que cualquier persona, desde cualquier ordenador, conectándose al tuyo o donde tengas o llama, pueda ver esos modelos. Vale, pues esto es Open Web UI. La razón de incorporar esto sería que el profesor es capaz de crear los modelos Mediante Oyama, esos modelos pueden estar en su propio ordenador personal o en un ordenador del departamento y los alumnos, gracias también a Open Web UI, se conecta a esos modelos que el profesor ha creado. Es una vía de desacople, de acceso online y vais a ver que además tiene una interfaz bastante amigable. Entonces, ya tenemos la vía, el plan para implementarlo, ya tenemos las herramientas, pues ya lo único que nos queda es, vamos a pasar a hacer la demo, si os parece. ¿Hay alguna duda o avanzo ya a hacer una demo online de cómo podríamos implementar LESPRE en un servicio con modelos reales? ¿Os parece bien? Sí, perfecto, adelante. [Orador 5]: Bueno, perdonad, que no sé si me he despistado, lo de funciona con Windows o Linux da igual, ¿no? [Orador 4]: Sí, sí, sí, exacto. Sí, sí, sí. Funciona en cualquier sistema operativo porque además tiene el despliegue vía Docker, que es otra virtualización, o sea que no hay ningún problema. Aquí está corriendo en un Mac, luego es un entorno Unix, luego vais a ver que funciona bien. Vale, pues la demo, y aquí es donde me la juego un poquito porque vamos a hacerlo en vivo, ¿vale?, Lo que vamos a construir es esto. Este era el modelo LESPRE y entonces lo que os voy a enseñar es vamos a levantar un Ollama, ya lo tengo levantado en el ordenador, vamos a levantar un Open Web UI para que veamos cómo podemos acceder a través de una URL como el profesor o el alumno para ver esos modelos y vamos por un lado a un administrador tendrá que controlar qué modelos se crean, qué permisos tienen Vamos a, como profesor, crear uno de esos modelos, o bueno, si queréis que creemos varios, creamos varios y vamos a hacer pasar por un alumno y utilizar uno de esos modelos para el caso concreto, por ejemplo, de los memes. Así que los pasos que voy a seguir ahora va a ser ver cómo podemos acceder a la interfaz de Open Web UI. Vamos a crear el usuario administrador. Ese usuario administrador va a dar de alta a un profesor, va a dar de alta a un alumno. Y luego entraremos como un profesor para ver cómo podemos crear un modelo. Creamos un modelo, por ejemplo, que sea capaz de hacer preguntas factuales. Fantástico. Creamos el modelo, lo publicamos, el administrador le da acceso a los alumnos para acceder al modelo y luego entramos de nuevo en la plataforma como alumnos y vemos cómo en nuestra autoevaluación nos ayudaría a formular preguntas sobre memes. Y a continuación me preguntáis cualquier cosa que no haya quedado clara en la demo. Vale, pues aquí estamos. Vale, pues si ponéis en marcha Open Web UI, el acceso es a través de esta URL, ¿eh? Es una URL local, porque lo estoy levantando en mi ordenador. Esto se podría levantar en un servidor del departamento, de la escuela, de la universidad, donde quieras y os conectaríais, ¿vale? Este es el acceso. Vale, entonces, primera vez que entramos, claro, pues obviamente no tenemos nada, no hay ningún usuario. Aquí nuestra recomendación, crear primero un usuario administrador para desacoplar todo el manejo que tengan los profesores de todo el manejo que tengan los alumnos. Administrador y el correo admin arroba upm y la contraseña la ponemos. Creamos el usuario administrador. Aquí nos indica... Bueno, la versión en la que nos encontramos y vemos aquí que tenemos como modelos de lenguaje los mismos que yo ya tenía instalados con Oyama. Luego, esta interfaz lo que ofrece, ahora con acceso a administrador, es a todos los modelos que teníamos para que se puedan hablar. Insisto, esto es el administrador, no es el alumno, ¿vale? Luego yo aquí podría hablar con cualquiera de estos modelos y, por ejemplo, aquí formulo un comentario y estoy utilizando este modelo y el sistema lo coge y lo utiliza. Este, como es un modelo razonador, razona en inglés y me responda en español. Vale, esto ha corrido todo en local. Seguimos. Ya tenemos el usuario administrador. Entonces... Primer paso, necesitamos crear a un profesor y a un alumno. Nos vamos al menú de administración. Ya estamos en el menú de administración y aquí en la parte de usuarios solamente aparecemos nosotros como administrador. Pues venga, vamos a crear un usuario. Este usuario va a ser el profesor. ¿Qué correo? Pues el correo institucional profesor1.es y de nuevo hay una contraseña para que este profesor pueda entrar. Lo guardamos, ya tenemos al profesor1. Vamos a crear también para esta primera demo un alumno, el alumno1 también. De nuevo el alumno tendrá su correo con el que tendrá que registrarse, perdón, alumno1.es. Y una contraseña, que será la que tendremos que facilitarle al alumno o, de nuevo, por eso es muy importante el perfil del administrador. Vale, ya hemos creado el alumno y el profesor. Tenemos alumno 1 y profesor 1. Ahora, aquí, muy interesante. Y muy necesario. A la hora de gestionar todos estos modelos que se van a ir creando, lo que queremos es considerar tanto al profesor como al alumno como un elemento, como un recurso que forma parte de algo más grande. Por ejemplo, en el caso del profesor, el grupo de profesores, a lo mejor de toda la escuela, o el grupo de profesores de la asignatura patatín. Vamos a necesitar crear grupos. Y así podemos dar o repartir modelos y permisos por grupos, igual que con los alumnos. Podemos considerar alumnos todos los estudiantes de la escuela o alumnos de un grado o alumnos de una asignatura concreta o de un curso concreto. Vale, pues entonces creamos el primer grupo y el primer grupo lo vamos a llamar profesores, ¿de acuerdo? Y dentro de los miembros vamos a decir que Vamos a decidir nosotros quién va a pertenecer a este grupo de profesores. Vale, detalle importante, permisos que le vamos a dar a los profesores. Pues los profesores tendrán acceso a los modelos, obviamente. Tendrán acceso al conocimiento. El conocimiento, esto es como lo que habéis preguntado antes del copilot, es queremos además que sean capaces los profesores o incluso los alumnos de inyectar documentos y que el sistema te responda en base a los documentos. Esto se aleja del ESPRE, así que yo por ahora no lo habilito. ¿De acuerdo? ¿Acceso a prompt? Sí. ¿Vale? Acceso a herramientas, esto es si queremos que se lancen en modo agentes para realizar tareas de forma autónoma, pues no lo habilitamos. ¿Vale? Lo que sí que tenemos que habilitar para los profesores, que queremos compartir modelos, el conocimiento también que sea público. los prompts, etc. En la parte de que mal veo, los tools y las notas o los chats, eso no hace falta que le demos y queremos permitir todo esto a nivel de profesor. Queremos que el profesor sea capaz de subir archivos o formular lo que decidáis. Ahí ya es ajeno a esta tarea. Ya tenemos el grupo de profesores y los permisos establecidos. Vamos a crear ahora otro grupo, que es el grupo de alumnos, que en concreto podrían ser los de una asignatura concreta, pero estoy aquí simplificando mucho. Y para el caso de alumnos, sí que queremos acceder a los modelos, no queremos acceder a todo ese conocimiento que se tenga. La compartición de modelos sí, pero nada más. Y compartir con otros usuarios si queremos permitir que suman archivos. Pues, de nuevo, lo que vosotros consideréis oportunos. Bueno, aquí yo ya no me meto. Eso es más de la herramienta. Lo guardamos. Ya tenemos grupo de alumnos, grupo de profesores. Y hemos asignado permisos por cada uno de los grupos. Entonces, ahora lo que sí que podemos hacer es que por cada grupo le podemos asignar miembros. Si nos vamos al grupo de profesores, En los usuarios le podemos decir que queremos que el profesor 1 sea o forme parte de este grupo, ¿vale? Y en el grupo de alumnos lo que queremos es que el alumno forme parte de este grupo. Entonces ya tenemos, creo que lo hemos cogido bien, a ver si lo tenemos ahí, tenemos este usuario, tenemos un alumno y un profesor y tenemos el usuario, administrador, profesor 1 y alumno 1. Vale, ya hemos creado los grupos. Ahora comenzamos. Pues resulta que, estamos ahí como administrador, nos viene el profesor Carlos de infraestructura de Big Data y que necesita crear un modelo para hacer preguntas de tipo recordar. Él ha estado probando en casa y entonces el modelo que necesita es Llama 3. Todo esto en realidad lo estoy agilizando. En vuestro caso, lo normal es que el administrador os diera permisos de muchos modelos. Bueno, eso lo podéis ver aquí. Yo soy el administrador, ¿no? Sí, vale, perfecto. Pues me voy aquí a Settings, me voy a Modelos y ahora decido qué modelos voy a poner accesibles para que los profesores jueguen con ellos. Jueguen y prueben, ¿vale? Pues en concreto yo le quiero dar el modelo Llama 3. Llama 3 quiero darle acceso a todo el grupo de profesores. o podría ir a uno de ellos, pero no, a todos los profesores que tengan acceso a Llama 3, ¿de acuerdo? Para que lo prueben, ¿vale? Ya le he dado acceso, entonces, si yo ahora me salgo del usuario administrador, aquí ahora yo ya puedo entrar, vamos a entrar primero como alumno, y si entro como alumno, a ver, Vamos a ver que no tenemos ningún modelo disponible. Ahora mismo el alumno no tendría capacidad de chatear con nadie porque no le hemos, como administrador, dado ningún modelo. Vale, pues vamos a entrar entonces ahora como profesor. Vamos a ver el profesor 1. Entramos, el profesor 1 sí que tiene acceso a este modelo, al Llama 3, que el administrador nos lo ha dado, entonces sí que somos capaces de conversar con este modelo, fantástico, de nuevo, aquí está ejecutándose el local, está en mi portátil, entonces tarda un poquito, si esto fuera en otro servidor un poco más potente, pues iría bien, pero el profesor tiene disponibilidad del modelo para trastear y jugar con él como quiera. ¿Qué vamos a hacer entonces? Pues si queremos seguir la metodología L'Express, lo que tenemos que crear primero es un modelo que formule preguntas. Pues nos vamos a la sección de Workspace y en este caso queremos crear un nuevo modelo. Somos un profesor, queremos crear un nuevo modelo. Vale, ¿qué nombre le vamos a dar al modelo? Yo aquí recomiendo seguir una estructura de asignatura, guión, nivel cognitivo, dos puntos, curso. ¿Por qué? Porque va a permitir al alumno saber el nivel cognitivo, obviamente, que quiere autoevaluarse. Y segundo, porque gracias a la etiqueta del curso, el administrador podrá habilitar o cerrar modelos que consideréis, ay, pues es que el modelo que utilicé el año pasado para infraestructura Big Data es lo he mejorado. Quítalo, quítalo y le ponemos este otro, pero no lo quiero perder. Se lo quitas a los alumnos, pero yo lo quiero seguir teniendo porque... Vale, pues entonces mi recomendación es poner el nombre de la asignatura, en mi caso infraestructura de Big Data, luego el nivel cognitivo que quiere evaluar, en este caso es recordar, y la versión. Pues estamos en el 2026. Vale, ya tenemos el nombre. Ahora... Hemos dicho que no somos capaces aún de crear un modelo desde cero, sino que lo que hacemos es contextualizar un modelo existente. Pues tenemos que seleccionar un modelo base, es decir, qué modelo de IA generativa vamos a utilizar, vamos a constreñir, ajustar, para que formule esas preguntas. Pues en este caso, el modelo llama a tres. Descripción, pues cómo podemos describir un poco el modelo para que lo vea lo vea, perdón, el estudiante. Pues decimos que formula preguntas factuales en el contexto de infraestructura de Big Data. Hasta aquí, todo es metainformación, es decir, información que describe al modelo, pero que no define aún su comportamiento. Ahora, aquí en el System Prompt, sí que vamos a definir y acotar el comportamiento. Tenemos que crear el modelo que formule preguntas de tipo recordar. Fantástico. Nos vamos de nuevo a nuestro repositorio de GitHub, Lincedu, aprendizaje, inteligencia artificial. Y ahí teníamos uno de tipo recordar. Sí. Y a pregunta recordar. Y aquí teníamos el prompt. Eres un asistente. Vale. Pues vamos a verlo aquí un poco más en claro. Eres un asistente. Pues cogemos todo este system prompt que tenemos aquí y Esta es vuestra particularización, aquí es donde recomiendo claramente que vosotros modifiquéis, ajustéis lo que consideréis oportuno, porque esto es lo que va a hacer que el modelo se comporte conforme a lo que vosotros esperáis que haga, ¿vale? En este caso, lo copio y lo pego directamente en este system prompt, luego el modelo ya se va a... comportar de acuerdo a lo que yo había definido y activo o vamos a particularizar aún parámetros adicionales, ¿vale? Si mostramos los parámetros adicionales veremos que hay muchos, ¿por qué? Porque he dimensionado antes, es decir, esta plataforma Open Way UI No solo permite interaccionar con modelos, sino también utilizarlos en modo RAG, en modo conversaciones avanzadas, etc. Nosotros por ahora nos vamos a ceñir sencillamente en definir el parámetro de temperatura. Temperatura, que si no me equivoco es este de aquí, ¿vale? Que viene con un valor de 0.8 y el valor de temperatura lo que define es la creatividad del modelo. Que queremos que el modelo genere preguntas... que no necesariamente se ciñan al prompt que acabamos de pegarle, pues le ponemos un valor cercano a 1. Si lo que queremos es que la creatividad del modelo se acote muchísimo y que no se salga de lo que hemos marcado en el prompt, le ponemos un valor cercano a 0. Yo en este caso le voy a poner un valor de 0,1. Es decir, quiero que se ajuste lo máximo posible a las restricciones que le he marcado en este prompt. Hay otra serie de parámetros, el key, el pip, bueno, esos son referidos a RAR, no entro en detallarlo, si alguien tiene dudas que me pregunte y yo se lo voy marcando. Vale, conocimiento, de nuevo, Aquí admite que nosotros le podamos al modelo proporcionar documentos para que el contexto que utilice el modelo sea no solamente el texto que le pasa el alumno, sino también documentos externos. Os puede venir bien si queréis extender ese contexto. En mi opinión, este método LESPRE no está enfocado a que precisamente le aportéis contexto, sino que sea el propio alumno el que decide el contexto como parte de su autoevaluación. Luego, en mi caso, yo no seleccionaría ningún conocimiento, yo no aportaría ningún documento, sencillamente lo que el alumno me considere. ¿Qué capacidades va a tener este modelo? Hace análisis de visión, sube ficheros, no permite búsquedas web, ni generación de imágenes, ni interpreta código, ni se engancha a una terminal, como mucho te ofrece citas y tampoco tiene tools. Entonces, yo lo dejaría así y ahora mismo ya tendríamos nuestro modelo recordar. Vamos a probarlo. Hemos creado un modelo recordar que, por tanto, lo que nos va a permitir que es formular preguntas, ¿no? Pues venga, si yo hablo con este modelo, mira, yo hablo con este modelo. Vamos a lanzarle entonces la pregunta del meme que teníamos aquí, ¿vale? Si bajamos en esta... En este repositorio teníamos lo mismo que os estaba enseñando en las slides. Vale, pues le pasamos toda la información que teníamos de un meme. Estamos simulando para probarlo antes de que le abramos el acceso al alumno. Vamos a imaginar que el alumno me da esta información. El modelo, entonces, me debería formular, míralo, preguntas, ¿vale? Pues me dice que en base a este texto me dice, preguntas de nivel recuerdo. ¿Qué tipo de contenido puede ser un meme? ¿Cómo se difunden los memes rápidamente en redes sociales? ¿Cuál es el objetivo principal detrás del uso de plantillas para crear nuevos memes? Bueno, pues esto funciona suficientemente bien, lo vamos viendo, ¿sí? Vale, pues decimos, fantástico, vamos a darle salida. Venga, queremos que el alumno acceda a este modelo. Nos tendremos entonces que salir y ahí será el administrador el encargado de darle acceso a este modelo, ¿vale? Entonces, entramos como administrador, Y ahora, al entrar como administrador, veremos que aquí también tenemos, ¿veis? Nos aparece ya este modelo que acabamos de crear desde el profesor. Pero claro, lo que queremos es permitir el acceso a los alumnos. Entonces, nos vamos al espacio de trabajo y en el caso de este modelo, lo que decimos es que queremos editar sus privilegios, ¿de acuerdo? Somos administrador y queremos abrir el acceso de este modelo que nos lo ha dado Carlos, el profesor de infraestructura Big Data, para que todos los alumnos tengan acceso a él. Si quisiéramos, por ejemplo, abrirlo con los alumnos de una clase concreta, o tendríamos ese grupo o podríamos ir a nivel fino a cada uno de esos alumnos dándoles acceso a este modelo. Vale, le damos acceso, lo cerramos y entonces, claro, ya si somos un alumno podríamos acceder a él, ¿no? Pues vamos a comprobarlo porque vais a ver que aún nos queda una cosilla por hacer. Vale, entramos como alumno. Vale, ahí, perdón, que no le he dado. Entramos como alumno y tenemos ya el modelo recordar. Fantástico. Entonces, yo soy un alumno y quiero volver a, estoy evaluándome sobre los memes. Venga, voy a utilizar el modelo recordar para autoevaluarme. ¿Qué preguntas me darías a nivel de recordar? Y aquí tenemos un problema. Vale. Nos dice que no encuentra el modelo y el modelo sí que lo tiene, pero ¿qué ocurre? Y aquí lo que hemos creado ha sido un modelo que extiende otro modelo. No es un modelo generado desde cero, es un modelo que extiende el modelo Llama 3, si recordáis. Entonces, esto nos obliga cuando lo extendemos y lo creamos de esta forma a que el administrador, de nuevo me tengo que salir, entrar como administrador, habilite a los alumnos no solamente el modelo que acabamos de crear, sino también el modelo base, el modelo Llama 3. Entonces, si nos vamos a modelos y nos vamos a Llama 3, en el momento que dijimos, perdón, en el momento que dijimos que los profesores tenían acceso a ese modelo, también teníamos que haber indicado que los alumnos tienen acceso a ese modelo para que lo puedan utilizar. Aquí dos cosillas antes de nada. Una vez, para demostrar que no se estoy engañando, le damos acceso al modelo Llama 3, entramos ahora ya sí como alumno y al entrar como alumno y ahora ya sí tener acceso a ese modelo, tenemos el Llama 3 y también el de Recordar, si incorporamos ahora ya sí el texto... El modelo funciona correctamente, ¡ah, maravilloso! Ya tenemos las preguntas, el alumno puede ir guardándose esas preguntas y conforme vaya poniendo más contenido, nuevas preguntas, pues por ejemplo, si ponemos Wikipedia, infraestructuras de Big Data, por ejemplo. Nos vamos a computación de hiperescala. Si el alumno ha considerado que todo este texto es válido, imaginar, pues dice quiero preguntas a nivel de recordar de todo este texto. para que veáis que no es que esté apañado para ese contenido, pues efectivamente te la sigue formulando. Vale, aquí dos detalles. Si os fijáis, al haber tenido que crear el modelo de forma contextualizada dentro de Open Web UI, tanto el alumno como el profesor necesitamos el modelo generado y el modelo del que se basa para crearlo. ¿Cómo podríamos evitar esto? que el alumno tuviera esta necesidad. Pues fijaros, se podría crear el modelo directamente en Ollama, vamos aquí, vale, vamos por aquí, dejadme que lo tenga yo aquí, Licedu, repositorios, vale. Y esto yo no lo enseñaba porque esta es una tarea más de administrador a mi juicio. Una vez que el administrador valide que los modelos son correctos, el administrador ya sí que podría crear ese modelo directamente en Oyama, ¿vale? Aquí tenemos los modelos, en este caso es el de preguntar a nivel de recordar y entonces le diríamos a Oyama, Oyama quiero crear un modelo, lo quiero llamar IBD recordar y lo llamamos puro o recordar todo 2026 a partir de este contenido, que es el mismo fichero que teníamos antes. ¿Vale? Se habrá creado el modelo y, entonces, al haberse creado el modelo, si yo ahora aquí entro como administrador, a ver si no me deja mal, es decir, ya hemos creado ese modelo desde fuera, ¿Veis? Ya aparece aquí como IBD recordar todo. Este se ha creado desde cero. Entonces, como usuario administrador, entonces ahora ya nos vamos al panel de los modelos y decimos, vamos a ver, vamos a ver. En el caso de Llama 3... No, no vamos a habilitárselo a los alumnos porque lo que le vamos es habilitar otro modelo. Entonces, en el caso de control de acceso, los alumnos se lo quitamos, ¿vale? Y lo que sí que le vamos a dar es acceso al modelo de IBD recordar todo, ¿vale? Este lo cargamos aquí y este le damos el acceso a todos los alumnos y también si queremos a los profesores, ¿vale? A nivel de Workspace, el modelo que teníamos antes, también se lo podemos quitar al alumno porque el alumno, perdona, este de aquí, lo estoy haciendo mal, disculpadme, es editar. Le quitamos el acceso al alumno para que el alumno solamente tenga un modelo limpio y creado que no permita conversaciones, sino que se ciña directamente a las preguntas. Una vez que ya hemos hecho eso, si ahora ya sí que entramos como alumno, vemos que, a ver, el único modelo que debería aparecer, efectivamente, veis, ya es el IBD recordar, ya no tiene llama y sobre este IBD, si le ponemos, pues yo qué sé, otra vez de nuevo todo este texto, aquí puede que nos funcione y ahora va a ser interesante, que nos funcione peor. ¿Qué es la computación? ¿Cuál es el propósito de hiperescala? ¿Qué tipo de infraestructura? ¿Qué es el MapReduce? Bueno, Decía que podía que funcionase peor porque en este caso el modelo base que había utilizado era un Gemini, pero bueno, en definitiva ya lo estáis viendo. Y en este caso el alumno no tiene acceso a todos los modelos, sino que únicamente tiene acceso a ese modelo nuevo que se ha creado. Luego Open Web UI viene muy bien para establecer esos primeros prototipos que el profesor pruebe, construya su modelo y una vez que ya lo ha construido, publique ese modelo a través de Oyama y si el administrador el que diga, ah, vale, este modelo que has creado con Oyama, le voy a dar visibilidad a los alumnos que me consideres oportunos. Entonces, los habilitas a los del aula y esos alumnos solo tendrían acceso a esos modelos. No les estamos dando acceso a modelos de chat, propiamente dichos, sino a modelos que le responden o que le formulan preguntas muy concretas. No sé si tenéis alguna duda sobre esta demo. He ido muy rápido. Ha sido muy específica de la herramienta. Vale, María pregunta, ¿estos modelos imagino que están entrenados por Oyama? No. No, no, Oyama es un entorno que los publica, pero el encargado de entrenar los modelos ha sido el que los sube. En este caso, por ejemplo, mirad, quito la presentación, quito la presentación, vale, me voy a Oyama, si te vas aquí a modelos, tú puedes ver realmente quién ha publicado tal modelo, ¿vale? Entonces, en este caso, el Granite Form, en esta información, define quién ha creado ese modelo y con qué permisos los publica. Yo puedo haber creado un modelo y que esté accesible aquí con Oyama. O sea, Oyama es un facilitador de modelos, pero no es el creador, ¿de acuerdo?, la temperatura es la que no le deja salirse del texto de proporcionar y no tener, eso es, la temperatura en realidad a nivel técnico lo que hace es que esa variabilidad que tiene el modelo en componer la frase a partir de un texto inicial se reduce para que solamente tenga los de mayor probabilidad y por lo tanto los que más se ajusten al contexto, en este caso se traduciría en Con una temperatura más baja o más cercana a cero, el modelo se comporta más fielmente a lo que yo le he indicado en el prompt que si tuviera una temperatura muy alta, ¿vale? Ah, puedo mostrar, es verdad, Pablo, ostras, no he hecho el cómo evalúa. Vale, pues vamos con el cómo evalúa. Salimos, entramos a nivel de profesor, muy bien. ¿Vale? Fantástico. Y ahora lo que queremos es crear un modelo, un modelo que va a ser el que evalúa, ¿vale? Pues creamos un nuevo modelo, lo llamamos evalúa y este es el 2026. El modelo base va a ser llama3, modelo que evalúa una respuesta... y un a una pregunta y un contexto vale el prompt de nuevo nos vamos aquí aquí hemos dejado un prompt recomendable pero vosotros lo tenéis que personalizar con la parte de evaluación este de aquí Nos vamos a la parte cruda y es muy sencillo. Dice que eres un asistente que evalúa respuestas de estudiante utilizando únicamente una anotación de estudio. Luego lo que espera es que el estudiante le ponga la anotación, que sería lo que ha seleccionado, la pregunta que le formuló la IA y la respuesta que él ha dado. Copiamos esa información. Y lo marcamos aquí en nuestro system prompt, ¿vale? De nuevo, no marcamos conocimiento y dentro de las capacidades indicamos que lo único que queremos que el modelo sea capaz de incorporar, como mucho, serían las citas, por si en alguna de las respuestas tuviera valor. Y creamos el modelo, ¿vale? Ya tenemos el modelo evalúa. De nuevo nos salimos a la parte administrador porque necesitamos que ese modelo de evaluación lo tenga disponible el alumno. Entonces, primer paso, como se apoya en el modelo Llama 3, como administrador nos vamos a la parte de modelos, Y ahí le habilitamos de nuevo que el modelo Llama 3 pase a estar disponible por los alumnos. A ver, vamos a añadir acceso de alumnos. Aquí está. Vale. Ya tenemos el modelo Llama 3 disponible para alumnos. Y ahora lo que queremos es que este modelo de evaluación que acaba de hacer el profesor Carlos, pues que también lo tengan disponible. Editamos ese modelo y al acceso que el profesor había definido, nosotros le indicamos que todos los alumnos, incluso también si quisiéramos todos los profesores, pero bueno, como se quiera, todos los alumnos lo pueden tener. ¿Vale? Ya tenemos esos permisos asignados. Ahora ya sí que podemos entrar como alumno. A ver, alumno. Sí. y entramos, vale, ya tenemos el recordar y el evaluar, fantástico, vale, para el caso evaluar, ya habéis visto que se requiere una estructura concreta, vale, es esta de aquí, que tiene anotación, pregunta y respuesta, vale, pues vamos a coger de aquí también un ejemplo, vale, seguimos para abajo con el ejemplito de los memes y tenemos aquí una anotación una pregunta y una respuesta es decir, ahora lo vemos más tranquilamente el alumno A este texto que le pasó al modelo de la pregunta de recordar, le pasó que un meme era un contenido digital que se reproduce y modifica rápidamente en redes sociales y normalmente usando plantillas. La pregunta que le formuló la IA fue ¿por qué los memes se difunden tan rápido? El alumno lo que ha respondido es esto. Vale, pues le pasamos toda esa información a nuestro modelo de evaluación y nuestro modelo de evaluación nos dice... rozas la perfección pero estás en un 4 sobre 5 la respuesta es generalmente adecuada en cuanto a que identifica algunas razones por las que los memes se difunden menciona la facilidad para entender y comprender lo que es importante y destaca el uso de imágenes pero no explora otras razones por las que los memes pueden ser efectivos en términos de difusión por ejemplo No se menciona la importancia del humor o del factor de novedad. No hay un análisis más profundo sobre cómo las redes sociales, etcétera. Aquí esto en realidad todo tiene que ver con ese prompt que le hemos dado al modelo evaluador. Nosotros podemos decirle que sea mucho más explicativo, mucho más frío, mucho más cortante, que únicamente tenga en cuenta ese contexto, etcétera. ¿Vale? Entonces, Pablo, no sé si ha quedado claro ese ejemplo. Vale, paso a la siguiente, que es María. Genial, Pablo. Vale, siguiente pregunta. María, estos modelos imagino que están entrenados por Oyama y tienen información adicional de Internet, pero la temperatura... Ah, sí, es lo que he mencionado antes, es decir... Cada modelo a ti ha utilizado un dataset de entrenamiento diferente, entonces esto ya formaría parte del conocimiento del modelo. Llama 3, de hecho, fue un entrenado, si no me equivoco, hasta diciembre del 2023. Luego, a un modelo Llama 3 no se le pueden preguntar por información posterior al 2023, para que te hagas una idea. Luego, por eso insisto en que lo ideal sería crear nuestro propio modelo, pero bueno, en este caso, contextualizado también se podría. Podrías poner cómo los alumnos preguntarían y se les iría dando feedback. Miguel, ah, vale, pues mira, ahí lo tengo. Es decir, es verdad que me lo había dejado de la demo, o sea, que fantástico. Se podría hacer con un mismo modelo que dé preguntas y espere las respuestas. Se podría, pero a mi juicio, el riesgo, estoy asumiendo que estamos en un contexto de modelos pequeños, ¿de acuerdo? Entonces, son modelos que pueden correr en un portátil como este o en un servidor no muy grande. Esos modelos funcionan muy bien para tareas, pero en la parte multitarea, aunque hay algunos instruccionales, pueden hacerse líos. Entonces, por nuestra experiencia, es más recomendable tener varios modelos y cada uno haga una tarea muy concreta. que un modelo que aborde varias. Casi interesaría por encima, si no crear otro, si esto es casi ya más informática, pero un orquestador y que en base a si el usuario está formulando una pregunta o evaluándola, derive al modelo en cuestión. Pero esto ya sería sencillamente una capa por encima de desarrollo y ya está. Pero lo que quiero decir es que no se resolvería con modelos de IA, sino con un desarrollo un poco más software. Genial, Miguel. Carlos, [Orador 5]: Ya has mencionado el tema del servidor pequeño. ¿Cómo escala esto y qué restricciones podríamos tener en ese servidor? [Orador 4]: Aquí lo interesante sería... Intentar arrancar primero con una aproximación mínima y ver en qué punto se hace agua para ir subiendo. Me explico. Esto que estáis viendo está corriendo en mi portátil que tiene 16 GB de GPU. Vale, pues con 16 GB de GPU, Llama 3 está funcionando suficientemente bien. Lo que habría que ver es dónde hace aguas y cuando haga aguas, compararla con un modelo más pesado. Y hacerlo de forma a escalar, porque si no, es decir, claro, hemos hecho una evaluación, Jessica, nosotros, con los modelos de 70 billones de llama y con el Gemini, y es una barbaridad lo bien que funcionan. Pero ahora estamos intentando escalar hacia abajo para ver a partir de qué punto esa calidad ya se puede adquirir. Porque es que si no, esto es inmantenible, así de claro. Es decir, los servidores son muy pesados. Entonces, mi aproximación, empezar bajo mínimos. Cada uno con su ordenador, ver hasta qué punto llega. Que su ordenador no es suficientemente rápido o la calidad no es suficientemente buena. Siguiente nivel. Vale, ¿hay algún ordenador a nivel departamental o escuela que pueda abordarme ese nivel? Sí, fantástico, pues ahí me quedo. No, vamos a ver a un siguiente nivel, porque si no es que si optamos ya a lo primero, que es un chat GPT, es que a veces puede ser matar moscas a cañonazos. Entonces, yo iría poco a poco, de forma escalada. No sé si te he contestado, Jessica. Sí, sí, sí, perfectamente. Genial. Vale, y José Ignacio pregunta, ¿puede reconocer si la respuesta ha sido creada por otra IA? No. hay ya aproximaciones que se demostraron en los modelos, iba a decir antiguos, ya ves tú, y no tienen más que dos años o menos, y para eso sí, pero los últimos modelos eran incapaces de detectar si habían sido generados por IA o no. Entonces, si esto lo llevamos a una evaluación final con una nota, Aquí sí que se tienen riesgos. Yo insisto en que esto yo lo estoy enfocando como una tarea de autoevaluación, facilitándole al alumno que él, en su tiempo libre, pueda mejorar la adquisición de conocimiento, pero no como una tarea que el profesor puede utilizar para directamente autoevaluar al alumno con una nota final. Es decir, yo ahí no, no, porque... Sobre todo con estos modelos, puede que este ejemplo esté bien, pero habría que analizar bien toda la casuística, todas las posibles respuestas del alumno y ver que el modelo no evalúa algo que no está haciendo bien, es decir, a mí eso me parece arriesgado. Más dudas que tenéis, ¿se podría exportar una Excel con las notas de los alumnos para subirlas a Moodle? Sí, bueno, eso ya serían sistemas construidos sobre esta aproximación, insisto. Que, de hecho, os he presentado Yama y Open Web UI como posibilidades tecnológicas que sustentan el método. Pero que si a alguien, por ejemplo, le gusta mucho programar y ha trabajado directamente con Hugging Face, lo puede implementar con Hugging Face. Si hay alguien que yo es que me encuentro más cómodo con LM Studio de Google, fantástico. Me da igual. Es decir, nosotros lo que proponemos es la técnica, el proceso y la aproximación. La tecnología es vuestra decisión. Miguel sobre el rendimiento con Maxi procesadores Apple Silicon que integran, justo el que estoy haciendo la demo es un MacBook M1 y mira, os hago aquí un about, no sé si esto, este es el portátil sobre el que estoy haciendo la demo y ahí estáis viendo el rendimiento que está ofreciendo. En teoría, pues hombre, esto debería estar en un servidor para que tanto el alumno como los profesores de la asignatura pudieran conectarse, ¿de acuerdo? Y ya está. Vale, ¿cómo tienen los correos adicionales de la UPM para poder...? Vale, esos correos en realidad en Open Web UI son correos pero anecdóticos, ya habéis visto que son correos que me los he inventado. Si eso se quisiera, por ejemplo, formalizar, pues lo suyo sería sobre Open Web UI desarrollar un servicio que se integrase, por ejemplo, o con las credenciales que tenemos en Moodle. [Orador 5]: O con el SEO. [Orador 4]: Exacto. Es decir, pero a mí ahora mismo la demo he creado un alumno uno arroba UPM que eso no existe, pero se lo ha comido. Es decir, no hay ahí ninguna restricción. Vale, en realidad planteas un medio pedagógico de ayuda al estudio por el alumno. Eso es, Eduardo. Es decir, planteamos un proceso que permita al alumno autoevaluarse, mejorar su aprendizaje de forma autónoma, pero eso sí, el alumno, el profesor le está guiando en esa formulación de preguntas y en ese feedback a través de esa guía. Y luego, ¿qué da constancia de la respuesta? No. Ah, vale, es verdad, para que pueda sacar estadísticas. No, mirad, es verdad que hay un detalle El administrador, si no me equivoco, creo que lo que sí que tiene son o puede llegar a tener estadísticas de uso, pero no más allá. Creo que aquí en analíticas, ¿veis? Tiene estadísticas de uso, de toques, pero no puedo llegar al mensaje concreto que, hombre, entiendo que por permisos, no puedo tener constancia del mensaje concreto que O sí. O sí. Pues o sí, sí, o sí, sí. Sí, sí que puedo tenerlo. Pues nada, pues fantástico, porque yo pensaba que solamente sacaba estadísticas y no el administrador. Estoy como administrador. Como profesor, a ver, como profesor, dejadme que lo mire. No, como profesor yo juraría que no tengo estadísticas. Salgo de aquí, en mi menú no tengo settings. Personalización, no. El administrador es el único que tiene entonces estadísticas de uso e incluso acceso a los chats. O sea que esto sería algo que habría que informar previamente a los alumnos que toda pregunta o todo texto que contengan, vamos, que utilicen estos modelos que quedará registrado y que el administrador podrá acceder a ellos. No sé si te he contestado, Pablo, pero... Vale, ¿hay alguna forma de que introduzcan, por ejemplo, matemáticas tipo polinomio, una matriz, una función? Sí que es verdad que estos modelos han bebido también de mucha nomenclatura tipo látex. Entonces, sí que si tú le permites o le facilitas al alumno que el texto tenga formato látex, ese texto se puede seleccionar, copiar y pegar en el chat y El modelo lo va a interpretar e incluso tú puedes facilitarle que el modelo formule las ecuaciones siguiendo esa sintaxis. Entonces sí, sí que se puede. Incluso hay otros formatos tipo Markdown, JSON, etc. O sea que los modelos sí que lo tienen. Elvira, muchas gracias. Elvira, ¿qué modelos habéis evaluado para ver cuáles se comportan mejor y peor para estas tareas? Pues ahí sí que tenemos, a ver, Para el caso concreto de preguntas, lo que sí que hemos visto es que el modelo del Llama de 70 billones es una barbaridad lo bien que está funcionando, porque hicimos una primera evaluación el año pasado con este modelo concreto, el del Llama 3, y hacía aguas en determinados dominios, en el caso de fórmulas matemáticas... En el caso del dominio legal creo que también hacía un poco de aguas y entonces hemos hecho ahora una evaluación, estamos con un TFM terminando esa evaluación y con un modelo de 70 billones, el Gemini 3 también y el Kiwen de 48 billones. espectacular. O sea, ahí la capacidad que tienen de entender y formular preguntas realmente complejas, tenemos un benchmark de varios tipos de preguntas, ha sido abrumadora, ha funcionado muy bien, pero claro, lo que decía antes, ¿quién puede desplegar esos modelos? Y para que accedan a gran escala los alumnos. Entonces, lo que hemos ha sido, pensábamos que no iban a funcionar bien, han funcionado brutalmente bien y ahora estamos bajando el nivel para intentar repetir ese benchmark que ya hemos formulado formalizado, perdón, para modelos con menos recursos y ver la comparativa entre rendimiento y necesidades que pasaremos a tener de aquí a un mes porque estamos terminando ese TFM. Y luego, ¿cómo se garantiza que las preguntas salen exclusivamente del material de estudio y no están contaminadas por alucinaciones? En el caso del aprendizaje por contexto, que es este de aquí, no se puede garantizar. Es decir, eso sí que lo tenemos en una evaluación, por ejemplo, que tenemos aquí, que si queréis estéis todos invitados a verla. ¡Ay! Se ha caído el servidor. Pues fantástico, ya cuando esté disponible. Y entonces, precisamente por contexto... Sí que es muy difícil garantizar al 100% que el modelo no alucine. ¿Qué significa que alucine? O que se invente cosas que no existían en el contexto o que incluso se invente cosas que no existían en el modelo original. Por eso, la solución a mi juicio más adecuada, digamos, más robusta, os la voy a poner aquí, para que esta aproximación sea más estable, sería la intermedia. Sería construir un conjunto suficientemente amplio de ejemplos de textos y preguntas para reentrenar un modelo ya existente y con ese modelo reentrenado darle acceso a los alumnos. Ya no tenemos una contextualización, No tenemos un modelo creado desde cero, pero sí que tenemos un modelo que se ajusta específicamente a esa tarea concreta. O sea que muy bien. Sí, pues eso, Elvira, los modelos pequeños hay que hacerlos, pero es inversamente proporcional lo que te da el modelo a lo que tú tienes que ajustar en el prompt. Luego, si utilizas un modelo muy pequeño, tu prompt tiene que ser bastante, bastante estricto. Si tienes un modelo muy grande, la importancia del prompt también se reduce. Vale, Eduardo, ¿habéis valorado de algún modo a partir de qué número de alumnos tiene sentido implementar un sistema como este lugar de interacción directa? Yo aquí sí que me mojo porque creo que no va tanto en el volumen de los alumnos. Por ejemplo, en un máster, en un máster que soy profesor, hay alumnos que te vienen de empresa. Entonces, su disponibilidad, básicamente, vamos a ver, es que yo cuando puedo avanzar fuertemente en esta asignatura son los fines de semana o los festivos. Entonces, la disponibilidad también del docente con la disponibilidad del alumno no siempre tiene por qué converger en el aula. Entonces, esta aproximación lo que te facilita es que el alumno pueda avanzar cuando él puede y luego resolver a través del aula las dudas o dificultades que haya tenido, pero no se le bloquea ese aprendizaje, ese aprendizaje concreto del contenido que ya previamente ha tenido que ver en clase, ¿de acuerdo? Entonces, no creo que sea más por volumen, sino más bien por desajuste entre la disponibilidad del alumno y la del profesor. Joaquín Galloso, hola Carlos, genial, muchas gracias Joaquín, cuando la asignatura se estabiliza, ¿hay opción de reducir su tamaño mediante los modelos cuantizados o destilados? Sí, vale, esto mejoraría el rendimiento para modelos especializados en asignaturas, vale, realmente los destilados o cuantizados son modelos que pierden un poco de resolución, La resolución sería pues algo así como, yo tengo una imagen que he hecho con una cámara reflex brutal, el mínimo detalle lo recoge, pero me quedo con una imagen JPG que hay ciertos píxeles que los agrupa, pero si yo lo veo de lejos, pues suficientemente bien. Eso sería un modelo cuantizado de alguna forma, ¿vale? Pues efectivamente, en los modelos cuantizados lo que sí que hemos detectado cuando hemos hecho un file tuning tipo LoRa y demás, un file tuning, perdón, es esto, lo de modificar una IA existente, es que ojo, si el volumen de datos no es suficientemente grande, el rendimiento es horrorosamente malo. ¿Por qué? Porque ese desajuste entre decimales se acentúa. Entonces, los modelos cuantizados sí, pero cuando el volumen de ejemplos sea suficientemente grande. Entonces, a mayor volumen de ejemplos, mejor calidad del modelo e incluso modelos más eficientes o con menos tamaño. Gracias, Joaquín, por la pregunta. Sí, Fernando. [Orador 6]: Sí, Carlos. Nada. Bueno, además es que justo intervengo a las 2.00 para cerrar un poco el asunto. Bueno, me uno a las felicitaciones de las gentes que participaron en el chat porque creo que que ha sido una charla súper interesante y que va un pasito más allá de utilizar las IAS comerciales y de, digamos... En ese sentido, yo quería comentar a todos los que estáis aquí que en el rectorado estamos empezando a tratar de tener infraestructura para poder escalar este tipo de iniciativas, ¿vale? Porque, claro, el portátil de Carlos está muy bien, pero, digamos, no llega hasta donde llega y si queremos escalarlo tenemos que Tenemos que llevarlo a otro tipo de infraestructura, ¿vale? Estamos trabajando en ello, estamos viendo cómo hacerlo. Digamos, estamos un poquito más atrás que vosotros en el sentido de los modelos que se están probando, pero quiero trasladaros un poco que algo en esta línea, pero más masivo a nivel UPM, podremos hacer en un tiempo no muy largo, ¿vale? Ahí, Carlos, vamos a abusar de vosotros un poquito y os vamos a pedir ayuda porque, digamos, nosotros no tenemos la experiencia que tenéis vosotros y creo que es necesaria, ¿vale? Para todo esto. Es un camino que tenemos que emprender como universidad, lo están emprendiendo todas las universidades, el desarrollar modelos propios para controlar un poco las cosas, que no todo esté en manos de compañías norteamericanas, que hoy sí, mañana no, hoy te cobran pasado gratis y pasado mañana es mucho más caro. Tenemos que ser más autónomos y tenemos que potenciar la soberanía digital de la UPM, en este caso, para poder hacer cosas sin estar agarrados a... a estos cambios geopolíticos muchas veces que, bueno, a mí me dan mucho miedo. Entonces, obviamente nunca vamos a tener un GPT de la UPM, eso no es viable, no tiene sentido tampoco, pero para temas docentes, académicos, digamos, de nuestro día a día, deberíamos ir hacia soluciones como esta. Yo os os animo a que sigáis avanzando y explorando estas posibilidades porque creo que es un camino que tenemos que emprender y estamos organizando grupos de trabajo, lo digo un poco para todos, pues para ir tomando decisiones, porque ahora muchas veces el problema fundamental es tomar una decisión de cuál es el modelo, hacia dónde vamos y bueno, pues queremos no hacerlo unilateralmente, queremos contar con cuanta más gente mejor y bueno... En breve tendréis noticias de estos temas y demás que estamos preparando. Y pues nada, agradeceros, Carlos, a ti y a tu grupo, que vayáis un poquito por delante y nos vayáis desbrozando el camino, que es un camino complicado a día de hoy. Así que nada, agradecerte la charla, creo que ha sido de mucho interés. Y nada, pues seguiremos en contacto para próximas actuaciones. Muchas gracias a ti, Fernando, y a Jessica por dar esta oportunidad y sobre todo por, joder, que me cuesta, que os estáis preocupando hoy bastante y estáis avanzando en incorporar este tipo de tecnología en los procesos educativos y no es sencillo. O sea que encantados de ayudar en lo que haga falta. Fernando, Jessica. Muy bien. Muchísimas gracias. Muchas gracias. Pues nada, gracias a ti. Colgaremos la charla para que los que no hayan podido venir la puedan ver y bueno, pues nos vemos creo que es el lunes que viene, si no estoy... Como siempre los lunes, pues nos vemos el lunes que viene. Muy bien, gracias a todos por la atención. Un abrazo. Muchas gracias.